模型并行之 Embedding 表

模型并行之 Embedding 表

Embedding 在推荐模型中承担着将用户、物品及上下文信息映射为低维稠密向量的核心任务，通过捕捉潜在语义关联和协同过滤信号，为推荐系统提供可计算的特征表达基础。其向量化表征能力不仅解决了高维稀疏数据难以直接建模的问题，更能通过隐式关系挖掘支撑用户兴趣建模和相似度计算，这种稠密向量空间的连续性特征为后续针对不同行为序列、场景维度或兴趣簇的 Embedding 切片分析提供了可行性，例如基于时间衰减、行为类型或属性聚类的切片方式可进一步细化用户意图的动态表征。

接下来以一个案例为例介绍有关 Embedding 表的 5 种切分方式： Table Wise 、Column Wise 、Row Wise 、Table Wise&Row Wise 、网格切分。（前提 ：假设用户有 128 个特征，每个特征的 Dim 是 128，注：下图中 Devicexx 表示不同的主机或服务器，Rankx****x 表示同一个主机上的不同卡）

• Table Wise 切分：表示将所有 embedding 表放置在一个同一个 device 上的同个 Rank 上，其余的 Rank 和 Device 不放置。

• Row Wise 切分 ：表示将 Embedding 表按照 key 的维度进行切分。注意：：图右方的 Device 一般指的是不同的服务器，也可根据表的大小与需要进行设置到同一个 Device。

• Column Wise****切分 ：表示将 Embedding 表按列（Embedding Dim）切分到不同的 Rank 上，一个 Embedding Dim 维度为 128 均分切到 4 张卡上变成[0~31， 32~63，64~95，96~127]。也就是每一个 Rank 分别获取每个特征的{[0， 31]，[32, 63], [64, 95], [96, 127]}。注意 ：图中上方的 Device 一般指的是不同的服务器，也可根据表的大小与需要进行设置到同一个 Device。

• Table Wise&Row Wise ：组合切分方式，将 Table Wise 与 Row Wise 进行结合，其表示将表放置在一个主机上，在该主机上的 rank 之间进行行式拆分。

网格切片：其组合了 Table Wise、Row Wise 和 Column Wise 三种，表示先将 Embedding 表按照 Column Wise 切片，然后再将 CW 分片后的结果以 TWRW 方式放置在主机上。

数据并行并行之 Embedding 表：数据并行表示每个 Rank 中都保留整个表的副本。