促进多样性的深度强化学习用于交互式推荐
信息检索
2019-03-20 v1 人工智能
摘要
对用户与推荐系统之间显式交互进行建模的交互式推荐近年来吸引了大量研究关注。以往多数交互式推荐系统仅聚焦于优化推荐准确率，而忽视了推荐质量的其他重要方面，如推荐结果的多样性。本文提出一种名为多样性促进深度强化学习（DRL）的新推荐模型，在交互推荐中鼓励推荐结果的多样性。更具体地，我们采用行列式点过程（DPP）模型生成多样且相关的物品推荐。每位用户维护一个个性化 DPP 核矩阵，其由两部分构成：捕捉物品间相似度的固定相似度矩阵，以及通过 actor-critic 强化学习框架动态学习的物品相关性。我们利用真实世界数据集进行了大量离线实验与模拟在线实验，以证明所提模型的有效性。
引用
@article{arxiv.1903.07826,
title = {Diversity-Promoting Deep Reinforcement Learning for Interactive Recommendation},
author = {Yong Liu and Yinan Zhang and Qiong Wu and Chunyan Miao and Lizhen Cui and Binqiang Zhao and Yin Zhao and Lu Guan},
journal= {arXiv preprint arXiv:1903.07826},
year = {2019}
}