[2017-JD] Deep Reinforcement Learning for List-wise Recommendations

最新推荐文章于 2021-07-26 07:50:00 发布
最新推荐文章于 2021-07-26 07:50:00 发布
阅读量470 收藏 2
点赞数 1
分类专栏： 论文阅读 机器学习 推荐算法 文章标签： 机器学习 推荐算法 强化学习
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_34527082/article/details/93381262
版权
该博客探讨了如何运用深度强化学习进行列表级推荐，指出推荐多个item时的状态和动作表示，以及网络结构调整的挑战。文章介绍了Actor-Critic框架，并详细阐述了在线用户代理交互环境模拟器的r计算方法，旨在模拟线上用户反馈。
摘要由CSDN通过智能技术生成

[2017-JD] Deep Reinforcement Learning for List-wise Recommendations

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。
状态定义
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。
Action Space
比如在 t t t 时刻的动作 a = { a t 1 , a t 2 , . . . a t K } a=\{a_t^1, a_t^2, ... a_t^K\} a={ at1​,at2​,...atK​}

问题

1、k变化的时候，网络结构需要调成，整个网络需要重训。
2、直接输出 k ∗ d i m ( w ) k*dim_(w) k∗dim(​w) 的向量，这些向量的表达能力可能需要打个问号。准确性的评估方法？
3、使用 w 1 , w 2 , w 3 , . . . w_1, w_2, w_3,... w1​,w2​,

最低0.47元/天 解锁文章
Multi-task
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
论文解析：Deep Reinforcement Learning for List-wise Recommendations
da_kao_la的博客
09-26 2863
论文解析：Deep Reinforcement Learning for List-wise Recommendations 简介 京东在强化学习推荐系统方面的工作，发表在KDD 2019 背景 推荐系统存在的问题： 无法通过与用户的交互建模用户的动态兴趣变化 最大化单次ranking的最大收益，未必是长期的全局最大收益 ranking过程忽略了item之间的关联 方法 强化学习 强化学习基于...
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。
论文阅读：(LIRD)Deep Reinforcement Learning for List-wise Recommendations
weixin_45459911的博客
04-20 1913
文章目录摘要一、Introduction1、基本介绍2、List-wise Recommendations3、Architecture Selection（结构选择）4、Online Environment Simulator（在线环境模拟器）5、简单总结二、THE PROPOSED FRAMEWORK（系统框架）1、问题建模2、User-Agent交互环境模拟器3、模型结构1、Actor部分2、...
【论文笔记】Deep Reinforcement Learning for Page-wise Recommendations
*晴儿*的博客
07-12 833
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-a deep reinforcement learning based framework for content caching.pdf
10-30
content caching strategies for edge intelligence with a deep reinforcement framework
Competitive Multi-Agent Deep Reinforcement Learning with Counterfactual Thinking
02-08
Competitive Multi-Agent Deep Reinforcement Learning with Counterfactual Thinking
Deep Reinforcement Learning for Sponsored Search Real-time Bidding
07-05
Deep Reinforcement Learning for Sponsored Search Real-time Bidding，一篇强化学习方面的论文
CS294-112 Deep Reinforcement Learning Sp17强化学习课件
12-22
CS294-112 Deep Reinforcement Learning Sp17 强化学习
LIRD(Deep Reinforcement Learning for List-wise Recommendations)论文算法解读
白水的博客
07-24 2363
Deep Reinforcement Learning for List-wise Recommendations 1. 构建了一个在线的用户-Agent交互环境模拟器，该模拟器适用于模拟在线推荐系统，以在离线的情况下对参数进行预训练和评估； 2. 提出了一个基于深度强化学习推荐框架：LIRD（LIst-wise Recommendation framework based on Deep reinforcement learning），该框架适用于具有大型动态项空间的推荐场景，并可显著地降低计算量；
DRN: A Deep Reinforcement Learning Framework for News Recommendation
07-05
基于强化学习的个性化推荐方面的论文，个性化推荐的前沿方向
Deep Reinforcement Learning for Wireless networks
05-14
2019年新书，介绍深度强化学习在无线网络中的应用，特别是无线资源分配和无线社交网络中的应用。
论文阅读6-----基于强化学习的推荐系统 Deep Reinforcement Learning for List-wise Recommendations
qq_37227782的博客
01-18 915
论文阅读6-----基于强化学习的推荐系统 Deep Reinforcement Learning for List-wise Recommendations ABSTRACT Recommender systems play a crucial role in mitigating the problem of information overload by suggesting users’ personalized items or services. 推荐系统的用处在于减轻信息过载的问题通过.
强化学习推荐入门-Deep Reinforcement Learning for List-wise Recommendations
weixin_44385606的博客
07-21 278
强化学习推荐-欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdo
论文解析：Deep Reinforcement Learning for Page-wise Recommendations
da_kao_la的博客
09-26 1406
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
01-18 307
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.
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
hestendelin的专栏
07-26 362
Deep Reinforcement Learning for Page-wise RecommendationsXiangyu Zhao, Long Xia, Liang Zhang,...
论文阅读14：Reinforcement learning approach towards effective content recommendation in MOOC environments
uuummmimiii的博客
08-09 566
参考论文：Reinforcement learning approach towards effective content recommendation in MOOC environments #论文笔记：Reinforcement learning approach towards effective content recommendation in MOOC environmen...
multi-agent deep reinforcement learning for task offloading in group distrib
最新发布
09-17
多智能体深度强化学习，用于群组分发中的任务卸载。 多智能体深度强化学习是一种强化学习的方法，可以应用于群组分发中的任务卸载问题。在群组分发中，有多个智能体，每个智能体都拥有一定的处理能力和任务需求。任务卸载是指将任务从一个智能体卸载到其他智能体上进行处理，以实现任务优化和系统性能的提升。 多智能体深度强化学习通过使用深度神经网络来构建智能体的决策模型，并基于强化学习框架进行智能体的训练和决策制定。在任务卸载中，每个智能体的状态可以由其当前的任务负载、处理能力和通信延迟等因素来表示。智能体的动作则是选择是否将任务卸载到其他智能体上进行处理。通过与环境交互，智能体可以通过强化学习来调整其决策策略，以优化任务卸载过程中的系统性能。 在多智能体深度强化学习中，可以使用任务奖励来指导智能体的行为。例如，当一个智能体选择将任务卸载给处理能力更高的智能体时，可以给予奖励以鼓励这种行为。同时，如果任务卸载导致较高的通信延迟或任务负载不均衡等问题，可以给予惩罚以避免这些不良的决策。 通过多智能体深度强化学习，可以实现群组分发中的任务卸载优化。智能体可以通过学习和适应来提高系统的整体性能和效率，从而实现任务分配的最优化。这种方法可以应用于各种领域，例如云计算、物联网和机器人协作等多智能体系统。

“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 1
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