KuaiSim：一个面向推荐系统的综合模拟器
信息检索
2023-10-20 v2
摘要
基于强化学习（RL）的推荐系统（RSs）因能够学习最优推荐策略并最大化长期用户奖励而受到相当关注。然而，直接在在线环境中部署 RL 模型并通过 A/B 测试生成真实数据可能带来挑战且需要大量资源。模拟器通过为 RS 模型提供训练和评估环境，减少对真实世界数据的依赖，提供了一种替代方案。现有模拟器已展现出有前景的结果，但也存在诸如用户反馈简化、与真实世界数据缺乏一致性、模拟器评估困难，以及在 RSs 间迁移和扩展困难等局限。为应对这些挑战，我们提出 KuaiSim，一个提供具有多行为与跨会话响应的用户反馈的综合用户环境。该模拟器可支持三个层次的推荐问题：请求级列表式推荐任务、整会话级序列推荐任务，以及跨会话级留存优化任务。对于每个任务，KuaiSim 还提供评估协议与基线推荐算法，进一步作为未来研究的基准。我们还在 KuaiRand 数据集上重构了现有竞争性模拟器，并将其与 KuaiSim 进行比较，以未来评估其性能与行为差异。此外，为展示 KuaiSim 在适配不同数据集方面的灵活性，我们展示了其在 ML-1m 数据集上部署时的通用性与鲁棒性。
引用
@article{arxiv.2309.12645,
title = {KuaiSim: A Comprehensive Simulator for Recommender Systems},
author = {Kesen Zhao and Shuchang Liu and Qingpeng Cai and Xiangyu Zhao and Ziru Liu and Dong Zheng and Peng Jiang and Kun Gai},
journal= {arXiv preprint arXiv:2309.12645},
year = {2023}
}