面向推荐系统的可扩展神经上下文老虎机
信息检索
2023-08-22 v3 人工智能
摘要
高质量的推荐系统应当通过与用户有效且具探索性的交互，提供既新颖又相关的内容。然而，作为许多现有推荐系统骨干的基于监督学习的神经网络，仅利用已识别的用户兴趣，在高效发掘未知用户偏好方面存在不足。尽管神经上下文老虎机算法在通过神经网络实现在线探索方面取得了一些进展，但其繁重的计算需求阻碍了在真实推荐系统中的广泛应用。本文提出一种面向推荐系统的可扩展、样本高效的神经上下文老虎机算法。为此，我们设计了一种认知神经网络架构——认知神经推荐（Epistemic Neural Recommendation, ENR），可大规模实现 Thompson 采样。在两项使用真实任务的不同大规模实验中，与最先进的神经上下文老虎机算法相比，ENR 将点击率与用户评分分别显著提升了至少 9% 和 6%。此外，与性能最佳的基线算法相比，它以至少少 29% 的用户交互达到同等性能。值得注意的是，在取得这些改进的同时，ENR 所需的计算资源比神经上下文老虎机基线算法少数个数量级。
引用
@article{arxiv.2306.14834,
title = {Scalable Neural Contextual Bandit for Recommender Systems},
author = {Zheqing Zhu and Benjamin Van Roy},
journal= {arXiv preprint arXiv:2306.14834},
year = {2023}
}