基于边际距离概率分布的深度推荐系统中从专家处实时学习
机器学习
2022-04-05 v2 人工智能
计算机视觉与模式识别
人机交互
机器学习
摘要
推荐系统在当今数字世界中扮演着重要角色。它们已应用于各种场景，如音乐平台（例如 Spotify）和电影流媒体服务（例如 Netflix）。较少研究努力投入到体育锻炼推荐系统中。久坐生活方式已成为多种疾病及医疗成本的主要驱动因素。在本文中，我们基于用户历史、画像及相似用户，为其开发了一套日常锻炼活动的推荐系统。所开发的推荐系统使用了带有用户画像注意力和时间注意力机制的深度循环神经网络。此外，锻炼推荐系统与流媒体推荐系统显著不同，在于我们无法从锻炼推荐系统的参与者处收集点击反馈。因此，我们提出了一种实时、专家在环的主动学习流程。主动学习器在每一步为每个用户计算推荐器的不确定性，并在确定性低时向专家询问推荐。在本文中，我们推导了边际距离的概率分布函数，并用其确定何时向专家寻求反馈。我们在 mHealth 数据集上的实验结果表明，将实时主动学习器与推荐系统结合后准确率得到提升。
引用
@article{arxiv.2110.06287,
title = {Real-Time Learning from An Expert in Deep Recommendation Systems with Marginal Distance Probability Distribution},
author = {Arash Mahyari and Peter Pirolli and Jacqueline A. LeBlanc},
journal= {arXiv preprint arXiv:2110.06287},
year = {2022}
}