基于知识图谱增强强化学习的交互式推荐系统
信息检索
2020-06-19 v1
摘要
交互式推荐系统（IRS）因其灵活的推荐策略和对最优长期用户体验的考量而备受关注。为了应对动态的用户偏好并优化累积效用，研究人员将强化学习（RL）引入 IRS。然而，RL 方法存在样本效率低的共同问题，即由于稀疏的用户响应和由大量候选物品组成的庞大动作空间，需要海量的交互数据来训练有效的推荐策略。此外，在在线环境中使用探索性策略收集大量数据是不可行的，因为这可能会损害用户体验。在本工作中，我们研究了在 IRS 的 RL 方法中利用知识图谱（KG）以应对这些问题的潜力，它为推荐决策提供了丰富的辅助信息。我们利用从 KG 中学习到的物品相关性的先验知识，而不是从头学习 RL 策略，以 (i) 指导候选选择以实现更好的候选物品检索，(ii) 丰富物品和用户状态的表示，以及 (iii) 在 KG 上的相关物品之间传播用户偏好，以应对用户反馈的稀疏性。在两个真实世界数据集上进行了全面的实验，证明了我们方法的优越性，相较于最先进的方法取得了显著提升。
引用
@article{arxiv.2006.10389,
title = {Interactive Recommender System via Knowledge Graph-enhanced Reinforcement Learning},
author = {Sijin Zhou and Xinyi Dai and Haokun Chen and Weinan Zhang and Kan Ren and Ruiming Tang and Xiuqiang He and Yong Yu},
journal= {arXiv preprint arXiv:2006.10389},
year = {2020}
}