基于强化学习的多任务推荐
信息检索
2023-03-13 v2 机器学习
摘要
近年来，多任务学习 (MTL) 在推荐系统 (RS) 应用中取得了巨大成功。然而，当前基于 MTL 的推荐模型往往忽略用户-物品交互的会话级模式，因为它们主要基于物品级数据集构建。此外，平衡多个目标一直是该领域的一个挑战，现有工作通常通过线性估计来规避该问题。为了解决这些问题，本文提出了一种强化学习 (RL) 增强的 MTL 框架，即 RMTL，利用动态权重结合不同推荐任务的损失。具体而言，RMTL 结构可以通过以下方式解决上述两个问题： 构建基于会话级交互的 MTL 环境； 训练多任务 actor-critic 网络结构，该结构与大多数现有的基于 MTL 的推荐模型兼容；以及 利用 critic 网络生成的权重来优化和微调 MTL 损失函数。在两个真实世界公开数据集上的实验表明，RMTL 具有更高的 AUC，证明了其相对于最先进的基于 MTL 的推荐模型的有效性。此外，我们评估并验证了 RMTL 在各种 MTL 模型中的兼容性与可迁移性。
引用
@article{arxiv.2302.03328,
title = {Multi-Task Recommendations with Reinforcement Learning},
author = {Ziru Liu and Jiejie Tian and Qingpeng Cai and Xiangyu Zhao and Jingtong Gao and Shuchang Liu and Dayou Chen and Tonghao He and Dong Zheng and Peng Jiang and Kun Gai},
journal= {arXiv preprint arXiv:2302.03328},
year = {2023}
}
备注
TheWebConf2023