近邻图上用于高效推荐的强化路由
信息检索
2022-01-25 v1
摘要
我们关注最大内积搜索（MIPS），这是许多机器学习领域中的一个基本问题。给定查询，MIPS寻找具有最大内积的最相似物品。通常定义在度量空间上的最近邻搜索（NNS）方法对于MIPS问题未表现出令人满意的性能，因为内积是非度量函数。然而，与度量函数相比，内积展现出许多良好性质，例如避免梯度消失与梯度爆炸。因此，内积被广泛用于许多推荐系统中，这使得高效的最大内积搜索成为加速许多推荐系统的关键。针对NNS问题的基于图的方法相较于其他类方法显示出优越性。数据库的每一个数据点被映射为近邻图的一个节点。数据库中的最近邻搜索可转化为在近邻图上路由以找到查询的最近邻。该技术可用于解决MIPS问题。我们不是在近邻图上搜索查询的最近邻，而是搜索与查询具有最大内积的物品。在本文中，我们提出一种强化模型，在缺乏训练查询真值的情况下，训练智能体在近邻图上自动搜索以求解MIPS问题。若我们已知部分训练查询的真值，我们的模型也可通过模仿学习利用这些真值来提升智能体的搜索能力。通过实验可见，我们提出的结合强化学习与模仿学习的模型相较于最先进的方法显示出优越性。
引用
@article{arxiv.2201.09290,
title = {Reinforcement Routing on Proximity Graph for Efficient Recommendation},
author = {Chao Feng and Defu Lian and Xiting Wang and Zheng liu and Xing Xie and Enhong Chen},
journal= {arXiv preprint arXiv:2201.09290},
year = {2022}
}
备注
Accepted by TOIS