密歇根州立大学联合京东提出深度强化学习算法DeepPage用于分页推荐

最新推荐文章于 2024-04-22 09:39:14 发布
最新推荐文章于 2024-04-22 09:39:14 发布
阅读量354 收藏 1
点赞数
文章标签： 算法 深度学习 推荐系统 人工智能 编程语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hestendelin/article/details/119122346
版权

Deep Reinforcement Learning for Page-wise Recommendations

Xiangyu Zhao, Long Xia, Liang Zhang, Zhuoye Ding, Dawei Yin, Jiliang Tang

Michigan State University, JD.com

https://www.cse.msu.edu/~zhaoxi35/paper/recsys2018.pdf

推荐系统可以通过推荐个性化商品来缓解信息过载问题。在电子商务等真实推荐场景中，系统和用户的交互一般是推荐一页商品给到用户，用户给出反馈，然后系统推荐新的一页商品。

为了更有效的捕捉这种交互行为进而更好的推荐商品，需要解决两个关键问题，其一即为根据用户实时反馈来更新推荐策略，其二即为通过适当的形式来生成一页商品，这对于传统推荐系统挑战性非常大。

这篇文章研究分页式推荐问题，旨在解决同时解决上面两个挑战。具体而言，作者们提出一种原理性方法，联合生成互补的商品集合，同时生成相应的策略在二维页面中展示这些商品。提出一种新的基于深层强化学习的分页式推荐框架，DeepPage，这种框架基于用户的实时反馈来优化一页商品，同时适当的展示这些商品。

在真实电子商务数据集上的实验结果表明作者们所提框架的有效性。

推荐系统与用户的交互流程图示如下

这篇文章的主要贡献如下

强化学习的五大要素简介如下

几种框架结构对比图示如下

作者们采用的框架为actor-critic框架

作者们提出的actor可以解决下面三个挑战性问题

初始状态生成的encoder框架简介如下

初始状态生成的encoder框架图示如下

产生实时状态的encoder结构图示如下

生成action的解码过程简介如下

这篇文章所提框架图示如下

线上训练所依赖的mapping 算法伪代码如下

利用DDPG的DeepPage在线训练算法伪代码如下

DeepPage在线测试算法伪代码如下

DeepPage离线测试算法伪代码如下

实验中的数据集简介、分割、参数设置、模型指标等简介如下

几种方法的效果对比如下

线上测试场景中，几种方法效果对比如下

为了测试各个组件的作用，作者们还测试了去除各个组件之后的效果，结果如下

              我是分割线

您可能感兴趣

诺亚方舟实验室提出数值特征自动离散框架AutoDis用于CTR预估

乔治亚理工提出基于GAN的强化学习算法用于推荐系统

民宿平台airbnb是如何动态定价的

密歇根州立大学联合领英提出基于AutoML的Embedding框架AutoDim

密歇根州立大学联合字节提出AutoEmb用于流式推荐

深度学习在CTR预估中的应用

伊利诺伊大学联合中科院提出动态图协同过滤算法DGCF(已开源)

加州大学提出对偶注意力RNN用于时间序列预估

宾大微软联合提出深层强化学习框架用于新闻推荐

中科大等提出深度注意力网络DAM用于捆绑推荐

浙大中科院微软等提出分层注意力网络SHAN用于序列推荐系统

加州大学提出时间间隔自注意力模型用于序列推荐(已开源)

普渡大学提出轻量级特征交互算法deeplight大幅加速ctr预估在线服务(已开源)

frank_hetest
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
论文解析：Deep Reinforcement Learning for Page-wise Recommendations
da_kao_la的博客
09-26 1396
论文解析：Deep Reinforcement Learning for Page-wise Recommendations 简介 京东在强化学习推荐系统方面的工作，发表在RecSys 2019. 本文与京东几乎同时的另一篇工作Deep Reinforcement Learning for List-wise Recommendations在整体架构上非常相似 背景 除了现有的推荐系统无法建模系统...
论文阅读5-----基于强化学习的推荐系统 Deep Reinforcement Learning for Page-wise Recommendations
qq_37227782的博客
01-18 302
论文阅读5-----基于强化学习的推荐系统 Deep Reinforcement Learning for Page-wise Recommendations ABSTRACT Recommender systems can mitigate the information overload problem by suggesting users’ personalized items. In real-world recommendations such as e-commerce, a typic.
京东万家APP越权逻辑漏洞挖掘
最新发布
2401_84434570的博客
04-22 1068
定义：指由于系统的权限控制逻辑不够严谨，使得系统用户可以访问或操作未授权的数据和功能。包括水平越权和垂直越权。水平越权：指当系统存在多个相同权限的用户时，A 用户可以访问或操作到其他用户的资源。如图 1.1 所示，用户 A、B、C、D 都是普通用户，当用户 A 可以访问到用户 B 或者其他用户资源时，就产生了水平越权。垂直越权：指当系统存在不同权限的用户时，低权限用户可以访问或操作到高权限用户的资源。如图 1.1 所示，当普通用户或者其他低权限用户可以访问到比自己权限高的用户资源时，就产生了垂直越权。
【论文笔记】Deep Reinforcement Learning for Page-wise Recommendations
*晴儿*的博客
07-12 823
1、Introduction 这里主要介绍了：强化学习是可以根据用户实时的反馈，捕捉用户的动态喜好，，实时更新策略（policy），还能实现长期收益的最大化。与其他不同的是，这里是生成一个网页的物品（网页版商城），是2D的，而不是1D的流式推荐（手机版商城）。 （ps：对于手机用户来说，一般用户最关注的是第一个商品，把他最感兴趣的放在第一个就好了，但是对于页面来说，很难说用户最喜欢关注哪个地方，每个人的关注点可能不太一样，第一行第一个不一定是最好的，所以需要学习。） 2、模型结构 2...
[2017-JD] Deep Reinforcement Learning for List-wise Recommendations
qq_34527082的博客
06-23 469
论文地址 https://arxiv.org/pdf/1801.00209.pdf 主要思想： 1、一次推荐多个item 2、状态s 为之前用户动作果的N个item的顺序集合。 更新方法： 每次推荐之后， 将用户动作过的item放入其中。没有动作果的item相当于丢弃掉了。 3、动作a 为某次推荐的K个item。 比如在 ttt 时刻的动作a={at1,at2,...atK}a=\{a_t^1...
Deep Reinforcement Learning for List-wise Recommendations
1066196847的博客
01-19 2193
论文题目：多个item一起进行推荐的深度强化学习方法 摘要： 推荐系统通过给用户推荐个性化商品，在缓解信息超载或服务这些问题方面起着至关重要的作用。绝大多数传统推荐系统将推荐算法视为静态过程，并且根据固定策略提出建议。在本文中，我们提出一种新颖的推荐系统，该系统具有在与用户互动期间不断改进其策略的能力。我们将用户和推荐系统之间的顺序交互建模为马尔可夫决策过程（MDP），并且用强化学习（RL），......
forumlocal:密歇根州立大学论坛
06-06
========这是forumlocal.ru的谷歌浏览器扩展
Pump_Control:密歇根州立大学 ECE 480 安卓应用高级设计项目
06-08
密歇根州立大学 ECE 480 安卓应用高级设计项目源代码。 该应用程序通过蓝牙与 RFduino 通信以控制泵电机。 该项目的目标是设计一种在不卫生条件下使用的手术工具。 最终目标是防止手术后因脏手术部位发生感染。 该...
BenbowLab.github.io:密歇根州立大学的 Benbow 实验室，教程示例数据用于分析
07-24
欢迎来到 Benbow 实验室 GitHub 页面 GitHub 上的当前项目 NGS 数据分析能力建设 分析 16S rRNA 数据（进行中） 联系信息 我们的实验室主页位于2017 年 10 月 31 日更新
boxshooter:BoxShooter，游戏开发简介-密歇根州立大学https
04-16
boxshooter（minigame） BoxShooter，游戏开发简介-密歇根州立大学
FraudResumeDetection:密歇根州立大学数据挖掘班 CSE881 的文本挖掘项目
07-09
欺诈恢复检测器密歇根州立大学数据挖掘班 CSE881 的文本挖掘项目
【推荐实践】强化学习算法在京东广告序列推荐场景的应用
m0_37586850的博客
11-02 294
猜你喜欢 0、搜狗信息流推荐系统架构及推荐算法实践1、如何搭建一套个性化推荐系统？2、京东推荐算法精排技术实践3、【万字长文】某视频APP推荐算法及策略详解4、微博推荐算法实践与机器学习平...
推荐系统遇上深度学习(三十五)--强化学习在京东推荐中的探索(二)
abcdefg90876的博客
03-14 777
本文介绍的论文题目为《Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning》，这应该是强化学习在京东推荐中的第二篇文章了，上一篇《Deep Reinforcement Learning for List-wise Recommendations》我们在...
论文引介 | Deep Reinforcement Learning for Dialogue Generation
人工智能
04-09 8985
文章原名：Deep Reinforcement Learning for Dialogue Generation 作者：Jiwei Li, Will Monroe, Alan Ritter and Dan Jurafsky 单位：Stanford University, Stanford, CA, USA; Ohio State University, OH, USA; M
【推荐系统论文阅读】基于强化学习的推荐模拟用户反馈
qq_43058281的博客
07-24 585
Article 作者：Minmin Chen∗, Alex Beutel∗, Paul Covington∗ , Sagar Jain, Francois Belletti, Ed H. Ch 文献题目：针对REINFORCE推荐系统的Top-k Off-Policy Correction 文献时间：2020 文献链接： 摘要 随着强化学习(RL)的最新进展，人们对为推荐系统使用 RL 产生了 极大的兴趣。然而，直接训练和评估一种基于新的 RL 的推荐算法，需要在实时系统中收集用户的实时反馈，这很耗时
京东测试进阶之路：初入测试碎碎念篇
OKCRoss的博客
02-20 984
测试用例模板：标题、配置条件（测试工具、中间件的使用情况）、测试数据、用例执行的先后顺序（先冻结再解冻，需对原单号进行解冻、用例的优先级）、预期结果（错误场景返回结果是否合理）等。通过需求评审、业务和场景的积累、结合开发与产品的文档资料、以及通过多渠道学习测试用例设计方法，完成测试用例的设计。根据不同的需求测试类型（JSF接口测试、页面测试、新增数据表、JDOS迁移等类型）总结测试用例模板。bug分类（前端bug/后端bug、测试平台的问题/需求bug、测试脏数据、日志缓存过多）。
【软件测试】从功能到自动化测试，测试人的进阶之路细节，这些必不可少......
m0_70102063的博客
02-26 1012
测试流程（各有千秋）1、测试人员参与需求评审、交互评审、视觉评审；理解需求，进行需求分析。2、测试负责人编写测试计划，分配测试任务，评估测试周期。3、测试人员整理交互or需求疑难点，确认异常场景or特殊情况下的交互细节，最好是能划出新功能的数据流图&流程图。4、测试人员编写测试点，转化测试用例，评审测试点or测试用例。5、开发送测（提测）前，开发自行走查，产品视觉验收，若有必要，测试可介入冒烟测试。6、送测（提测）阶段，缺陷管理，发现bug，提交bug。
京东大佬测试进阶之路：新手测试碎碎念篇
主要分享测试的学习资源，帮助快速了解测试行业，帮助想转行、进阶、小白成长为高级测试工程师。
02-16 193
1、基本的测试用例设计方法 基本的测试用例设计方法（边界值分析、等价类划分等）。 业务和场景的积累，了解测试需求以及易出现的bug的地方。 多维角度设计测试用例（用户、业务流程、异常场景、代码逻辑）。
燃料电池simulink建模密歇根大学参考文献
07-02
密歇根大学文献参考中关于燃料电池Simulink建模的研究有很多。以下是其中一篇相关的文献： 标题：基于Simulink的燃料电池输出电压控制系统建模与仿真 作者：XXX, XXX, XXX（假设为学者姓名） 来源：《密歇根大学...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值