一种基于文本的深度强化学习交互式推荐框架
信息检索
2021-10-22 v4 机器学习
摘要
由于其从动态交互中学习并为长期性能进行规划的特性，强化学习（RL）近期在交互式推荐系统（IRSs）中受到了大量关注。IRSs 通常面临大的离散动作空间问题，这使得大多数现有的基于 RL 的推荐方法效率低下。此外，数据稀疏是大多数 IRSs 面临的另一个挑战性问题。虽然诸如评论和描述之类的文本信息对稀疏性较不敏感，现有的基于 RL 的推荐方法要么忽视文本信息，要么不适合融入文本信息。为解决这两个问题，本文中我们提出了一种用于 IRSs 的基于文本的深度确定性策略梯度框架（TDDPG-Rec）。具体而言，我们利用文本信息将物品和用户映射到一个特征空间，这极大缓解了稀疏性问题。此外，我们设计了一种有效方法来构建动作候选集。通过从 TDDPG-Rec 动态学习到的表达用户偏好的策略向量，我们能够从候选集中有效地选择动作。通过在三个公开数据集上的实验，我们证明了 TDDPG-Rec 以时间高效的方式取得了优于若干基线的 SOTA 性能。
引用
@article{arxiv.2004.06651,
title = {A Text-based Deep Reinforcement Learning Framework for Interactive Recommendation},
author = {Chaoyang Wang and Zhiqiang Guo and Jianjun Li and Peng Pan and Guohui Li},
journal= {arXiv preprint arXiv:2004.06651},
year = {2021}
}
备注
Accepted by ECAI 2020