一种用于多样化推荐的混合Bandit框架
信息检索
2020-12-25 v1 机器学习
摘要
交互式推荐系统通过接收及时的用户反馈来更新推荐策略，从而使用户参与到推荐过程中。因此，它们被广泛应用于实际场景。以往的交互式推荐方法主要关注学习用户对物品集合相关性属性的个性化偏好，而通常忽略了对物品集合多样性属性的用户个性化偏好的研究。为克服该问题，我们提出了线性模分散Bandit(LMDB)框架，这是一种用于优化模函数与分散函数组合的在线学习设定。具体而言，LMDB采用模函数对每件物品的相关性属性建模，并采用分散函数描述物品集合的多样性属性。此外，我们还开发了名为线性模分散混合(LMDH)的学习算法来求解LMDB问题，并推导了其n步遗憾的无间隙界。在真实数据集上进行了大量实验，以证明所提LMDB框架在平衡推荐准确性与多样性方面的有效性。
引用
@article{arxiv.2012.13245,
title = {A Hybrid Bandit Framework for Diversified Recommendation},
author = {Qinxu Ding and Yong Liu and Chunyan Miao and Fei Cheng and Haihong Tang},
journal= {arXiv preprint arXiv:2012.13245},
year = {2020}
}
备注
Accepted by AAAI 2021