乔治亚理工的研究团队提出了一种基于生成对抗网络（GAN）的强化学习算法，应用于推荐系统。他们通过GAN模拟用户行为动态，解决了强化学习在推荐系统应用中的挑战，如动态环境和模糊奖励函数。提出的级联DQN算法能有效处理大量商品，实验证明这种方法能提高长期用户满意度和点击率。
Generative Adversarial User Model for Reinforcement Learning Based Recommendation System
Xinshi Chen, Shuang Li, Hui Li, Shaohua Jiang, Yuan Qi, Le Song
Georgia Institute of Technology
http://proceedings.mlr.press/v97/chen19f/chen19f.pdf
强化学习用于推荐系统领域，相关的研究比较多，挑战性也比较多。这种场景中，线上的用户可以看做环境，奖励函数和环境的动态性都无法清晰定义，这就使得强化学习的应用比较具有挑战性。
这篇文章提出一种新型基于模型的强化学习框架，用于推荐系统，提出一种生成式对抗网络，来模拟用户行为的动态性，并且学习相应的奖励函数。
将这种用户模型用作模拟环境，作者们提出一种新的级联DQN算法，该算法可以得到组合推荐策略，可以高效处理大量候选商品。
在真实数据上的实验表明，这种生成式对抗用户模型相对其他模型可以更好地解释用户行为，基于该模型的强化学习策略用户可以得到一种更好的长期奖励，系统也可以具有更高的点击率。
强化学习用于推荐系统的挑战之一在于
挑战之二在于
这篇文章的主要贡献在于
推荐系统一些相关方法简介如下
场景描述如下
最低0.47元/天 解锁文章
扫一扫
1511
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
