本文介绍了推荐系统的三个核心模块：用户建模、推荐对象建模和推荐算法，并探讨了强化学习作为智能体学习方式的特性。强调了强化学习在推荐系统中的广泛应用，并分享了一组相关的研究论文资源，涵盖了RL和Learning-to-Rank领域的最新成果。
深度学习与NLP
专注深度学习、NLP相关技术、资讯，追求纯粹的技术，享受学习、分享的快乐。
677篇原创内容
公众号
推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。
强化学习是智能体（Agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。
目前强化学习在推荐系统拥有非常丰富的应用场景。本资源整理了基于强化学习（RL）推荐系统相关的研究和经典论文。由于相关性高，此处还列出了几篇learning-to-rank（LTR）的研究论文。所有的论文都按时间排序。
资源整理自网络，资源获取见源地址：https://github.com/Jinjiarui/rl4rs-papers
论文资源列表
往期精品内容推荐
数据科学从业者必读书籍-《数据科学手册-25位数据科学家的建议》免费pdf分享
邱锡鹏DL经典教材-《神经网络与深度学习》免费pdf及ppt分享
扫一扫
842
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
