辅助读懂Reinforcement Learning for Slate-based Recommender Systems

最新推荐文章于 2021-07-16 17:57:18 发布
最新推荐文章于 2021-07-16 17:57:18 发布
阅读量1k 收藏
点赞数
分类专栏： deep learning
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/qq_16234613/article/details/105339645
版权

基础知识准备

强化学习入门简单实例 DQN
强化学习入门 第一讲 MDP
随笔分类 - 0084. 强化学习

中文翻译

强化学习RL应用在youtube推荐系统 2019谷歌论文解读

强化学习应用k推荐的问题

slate在文中的意思大概就是一次性推荐k个item给用户。由于是k个item的组合，动作空间是非常大的。
在这里插入图片描述

Choice Model

在本文的强化学习中使用到了choice model模型的技巧。简单来说choice model就是预估用户在推荐的动作A中选择某个item的概率。
在这里插入图片描述
在这里插入图片描述

Slate-Q的分解

因为动作空间过大，文中对Slate-Q进行了分解。
在这里插入图片描述
得到q的更新公式：
在这里插入图片描述

Slate优化

前面提到了Slate-Q的分解，以及分解后的q的TD更新方式。那么如何根据这个q值来获得推荐的动作A呢？作者提出三种方式：标准方式、top-k、贪心。
标准方式：
目标函数定义为，注意作者的P是由模型预测出来的。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
top-k和贪心：
这两种启发式方法效果也不错。
在这里插入图片描述

伪代码

在这里插入图片描述
在这里插入图片描述

青盏
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Deep Reinforcement Learning for List-wise Recommendations
01-21
京东商城数据科学实验室写的用深度强化学习对搜索结果排序的论文。
Reinforcement Learning-Based Control for Unmanned Aerial Vehicles
01-20
Estates, especially those of public securityrelated companies and institutes, have to protect their privacy from adversary unmanned aerial vehicles(UAVs). In this paper, we propose a reinforcement learning-based control framework to prevent unauthorized UAVs from entering a target area in a dynamic game without being aware of the UAV attack model. This UAV control scheme enables a target estate to choose the optimal control policy, such as jamming the global positioning system signals, hacking,
强化学习RL应用在youtube推荐系统 2019谷歌论文解读
zackerzhuang的博客
09-18 3108
目录1、Introduction目前主流的个性化推荐技术的问题：强化学习(RL)应用在推荐系统2、Related workRecommender Systems 推荐系统序列模型和RL推荐系统User Choice Behavior 用户选择行为建模RL with Combinatorial Action Spaces3、MDP模型 马尔可夫决策过程4、Slate-Q：候选值的分解5、用Q-val...
从这篇YouTube论文，剖析强化学习在工业级场景推荐系统中的应用
AI科技大本营
08-30 1677
作者 | 吴海波转载自知乎用户吴海波【导读】本文作者根据两篇工业界背景的论文解答了 RL 在推荐场景需要解决的问题与困难，以及入门需要学习得相关知识点。2 个月前，业界开...
推荐系统的发展与简单回顾
Oner.wv的专栏
12-31 877
“本文结合百度和支付宝两段推荐系统相关的实习经历，针对工业界的模型发展做了简单梳理与回顾,涵盖表示学习，深度学习，强化学习知识图谱以及多任务学习”表示学习和深度学习在推荐系统中的应用是...
SlateQ：解决板岩推荐问题的可扩展算法
weixin_26752765的博客
09-06 810
I was recently introduced to the wonderful world of Reinforcement Learning (RL) and wanted to explore its applications in recommender systems. Craig Boutilier’s talk on challenges of RL in recommender...
Slate-based Recommender Systems 论文解读
白水的博客
07-16 1998
Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology 本博客对SlateQ论文进行了解读，如有错误请评论指正。 文章目录1. 论文算法介绍（第四、五章）1.1. SlateQ: 基于强化学习的推荐列表分解技术Sl1.2. 用Q值对推荐列表进行优化1.3. 三种优化方法的比较2. 论文算法的在线实现（第九章）2.1. 两个重要组件2.2..
“Reinforcement Learning based Recommender Systems: A Survey“强化学习用于推荐系统 综述
strawberry47的博客
05-09 1342
这是2021预发表的一篇强化用在推荐系统的综述，文中介绍了RLRSs的分类以及多种算法，非常全面。 本篇文章只是一个简单的总结，要想详细了解相关知识还是去看看原文吧~ 1 introduction 用于解决推荐问题的方法：collaborative filtering（协同过滤）, content-based filtering（基于内容）, and hybrid methods（混合） 上述方法存在的问题：cold start（冷启动）, serendipity（惊喜度）, scalability
强化学习大规模应用还远吗？Youtube推荐已强势上线
AI科技大本营
06-30 2876
来源 | 转载自深度传送门导读：本文将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。本文主要根据几大顶会2019的最新论文，总结一下深度强化学习给推荐...
20篇最值得一读的深度推荐系统与CTR预估论文
AI科技大本营
07-09 3103
作者 |深度传送门转载自深度传送门（ID: gh_5faae7b50fc5）微博上近日流传一个段子，“2020年曾是各大科幻片中遥远的未来，但是现在离这个遥远的未来也...
reinforcement-learning-an-introduction-chinese:《强化学习
04-30
reinforcement-learning-an-introduction-chinese 本项目为《Reinforcement Learning: An Introduction》（第二版）中文翻译，旨在帮助喜欢 强化学习（Reinforcement Learning）的各位能更好的学习交流。 中文在线...
Continuous Deep Q-Learning with Model-based Acceleration
03-02
深度Q-Learning与model-based方法结合来解决连续动作问题 Model-free reinforcement learning has been successfully applied to a range of challenging problems, and has recently been extended to handle ...
Generative-Adversarial-User-Model-for-Reinforcement-Learning-Based-Recommendation-System-Pytorch
05-24
生成的基于专家的用户模型用于基于学习的推荐系统Pytorch的强化学习 基于纸张的下相同的标题剖成Adverserial强化学习基于用户模型实现推荐系统的Pytorch执行 此回购包括： 必要数据（Yelp评论） ...
经典！工业界深度推荐系统与CTR预估必读的论文汇总
AI科技大本营
09-26 1734
（图片付费下载自视觉中国）来源 |深度传送门（ID: gh_5faae7b50fc5）导读：本文是“深度推荐系统”专栏的第十一篇文章，这个系列将介绍在深度学习的强力驱动...
推荐系统技术演进趋势：排序篇
Kaiyuan_sjtu的博客
04-21 607
作者|张俊林编辑|炼丹笔记 《推荐系统技术演进趋势》从召回篇、排序篇、重排篇依次更新，本文为排序篇。错过《推荐系统技术演进趋势：召回篇》的小伙伴可以点击链接跳转阅读。背景...
机器人强化迁移学习指南：架设模拟和现实的桥梁
喜欢打酱油的老鸟
01-01 1349
2019-12-26 12:14:23 机器之心原创 作者：仵冀颖 编辑：Joni 近年来，强化学习在人工智能领域中所表现出来的成果多数是在仿真、视频游戏等非物理环境中实现的，然而在物理系统伤的复杂策略仍存在很大的挑战。这篇文章聚焦的是如何利用迁移学习，使强化学习能够在模拟环境中进行训练，而在实际的物理机器人领域中得到应用。 近年来，强化学习（Reinforcement learni...
多目标学习在推荐系统中的应用
abcdefg90876的博客
11-04 2903
本文概览：1. 多目标学习提出的背景一般来说在搜索和推荐等信息检索场景下，最基础的一个目标就是用户的 CTR，即用户看见了一篇内容之后会不会去点击阅读。但其实用户在产品上的行为是多种多样...
每天一篇论文 294/365 Reinforcement Learning for Closed-Loop Dynamic Control of Soft Robotic Manipulato
流浪机器人的博客
12-22 390
Model-Based Reinforcement Learning for Closed-Loop Dynamic Control of Soft Robotic Manipulators 摘要 柔性机械臂的动态控制是一个有待深入研究和分析的问题。目前大多数软机器人的应用都是基于关节空间的运动学模型或线性度，利用静态或准动态控制器。然而，这样的方法并没有真正地利用软体系统的丰富动力。本文提出了一...
度量学习 度量函数 metric learning deep metric learning 深度度量学习
热门推荐
心之所向
07-25 2万+
曼哈顿距离(CityBlockSimilarity) 同欧式距离相似，都是用于多维数据空间距离的测度。 欧式距离(Euclidean Distance) 用于衡量多维空间中各个点之间的绝对距离。使用时各个维度量级最好能够在同一个尺度上。 马氏距离(Mahalanobis distance) 一种有效的计算两个未知样本集的相似度的方法。与欧氏距离将所有维度同等看待不同，其考虑到各种...
Deep Reinforcement Learning Approach for UAV-Assisted Mobile Edge Computing Networks
最新发布
04-30
This is an interesting topic. Mobile edge computing (MEC) is a promising technology that enables computation capabilities at the edge of the network, which can improve the latency and response time for various applications. UAVs can be used to enhance MEC networks by providing additional computation resources and mobility. Deep reinforcement learning (DRL) is a powerful technique that has been applied to various problems in recent years, including robotics, games, and networking. The integration of DRL with UAV-assisted MEC networks can lead to more efficient resource allocation and better network performance. In this approach, the UAVs act as mobile edge servers that can offload computation tasks from the mobile devices to reduce the latency and energy consumption. The DRL agent can learn the optimal policy for task offloading and resource allocation by interacting with the environment and maximizing a reward function. The reward function can be designed to balance the trade-off between latency, energy consumption, and network congestion. The DRL agent can also learn to adapt to dynamic network conditions and adjust the policy accordingly. Overall, the integration of DRL with UAV-assisted MEC networks has the potential to improve the performance and efficiency of the network, which can benefit various applications, such as video streaming, augmented reality, and autonomous vehicles.

“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