离线强化学习在推荐系统中的机遇与挑战
信息检索
2023-08-23 v1 人工智能
摘要
强化学习是建模推荐系统中动态用户兴趣的有力工具，近来受到越来越多的研究关注。然而，一个显著的缺陷依然存在：由于其交互性质导致的数据效率低下。基于强化学习的推荐系统的训练需要昂贵的在线交互来积累足够的轨迹，这对于智能体学习用户偏好至关重要。这种低效使得基于强化学习的推荐系统成为一项艰巨的任务，亟需探索潜在的解决方案。近期离线强化学习的进展提供了新的视角。离线强化学习使智能体能够从离线数据集中获取洞察，并在在线环境中部署学到的策略。鉴于推荐系统拥有大量离线数据集，离线强化学习的框架与之无缝契合。尽管这是一个新兴领域，但围绕利用离线强化学习的推荐系统的工作仍然有限。本综述旨在介绍并深入探讨推荐系统中的离线强化学习，对该领域的现有文献进行包容性回顾。此外，我们力求强调普遍存在的挑战、机遇与未来路径，以推动这一不断发展领域的研究。
引用
@article{arxiv.2308.11336,
title = {On the Opportunities and Challenges of Offline Reinforcement Learning for Recommender Systems},
author = {Xiaocong Chen and Siyu Wang and Julian McAuley and Dietmar Jannach and Lina Yao},
journal= {arXiv preprint arXiv:2308.11336},
year = {2023}
}
备注
under review