面向组合物品的单次会话推荐系统
机器学习
2016-07-06 v1 人工智能
信息检索
摘要
近年来，大型网站（或称内容提供商）中的内容推荐系统受到越来越多的关注。尽管内容类型各异，例如电影、文章、音乐、广告等，但高层问题始终如一：基于迄今为止对用户的了解，推荐最符合其需求的内容。本文提出了一种处理推荐系统中众所周知的用户冷启动问题的方法。在此场景下，推荐系统遇到一位新用户，目标是尽可能展示相关物品，以期尽可能延长用户的会话时长。我们将最大化此初始会话长度的问题形式化为一个优化问题，因为我们认为这是促使用户回访甚至注册系统的关键。特别地，我们的模型捕捉到这样一个事实：单轮低质量推荐很可能导致会话终止。在这种情况下，我们无法进入下一轮，因为用户离开了系统，可能再也不会出现。我们将这种现象称为“单次会话”。我们的优化问题被形式化为一个马尔可夫决策过程（MDP），其中动作空间具有组合性质，因为我们在每一轮推荐多个物品。这一巨大的动作空间带来了计算挑战，使得直接求解变得不可行。我们分析了该MDP的结构，证明了单调性和类似次模的性质，从而允许通过一种称为“贪婪值迭代”（G-VI）的方法实现计算上高效的求解。
引用
@article{arxiv.1607.01381,
title = {One-Shot Session Recommendation Systems with Combinatorial Items},
author = {Yahel David and Dotan Di Castro and Zohar Karnin},
journal= {arXiv preprint arXiv:1607.01381},
year = {2016}
}