《Large-Scale Interactive Recommendation with Tree-Structured Policy Gradient》外文翻译

最新推荐文章于 2022-08-20 00:15:40 发布
最新推荐文章于 2022-08-20 00:15:40 发布
阅读量591 收藏
点赞数 1
分类专栏： 毕设 文章标签： 机器学习 人工智能
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_36445854/article/details/105292852
版权

毕业设计老师选择了这个论文模型，顺便用谷歌翻译了一遍论文，这个模型研究起来还是有些头痛。

链接：https://pan.baidu.com/s/1ONxIpr1i3zGrWvvYKuV6cg
提取码：yeal

毕业后我会把模型上传到github，里面有很多老师的注解，毕业后再写一篇解析TPGR模型的博客吧，新手拿来做毕设是真的有点痛苦。现在模型改进肝到吐血，让老师发现了我强化学习方面很弱鸡，不停的降低要求，没办法，太菜了。

海旋风
关注
专栏目录
Q&R: A Two-Stage Approach toward Interactive Recommendation 翻译
qq_39091546的博客
07-26 702
Q&R: A Two-Stage Approach toward Interactive Recommendation ABSTRACT Recommendation systems, prevalent in many applications, aim to surface to users the right content at the right time. Recently, researchers have aspired to develop conversational syste
Large-Scale Interactive Recommendation with Tree-Structured Policy Gradient AAAI2019 阅读笔记
strawberry47的博客
05-12 709
目录IntroductionMethodsTree-structured Policy Gradient Recommendation Intuition for TPGRBalanced Hierarchical Clustering over ItemsArchitecture of TPGRState RepresentationExperiments and Results结果：Time ComparisonInfluence of Clustering Approach & Tree De
Large-scale Interactive Recommendation with Tree-structured Policy Gradient
weixin_45791638的博客
11-25 342
最近读了篇论文，链接http://export.arxiv.org/pdf/1811.05869，没什么事情可做，将原文翻译了下，了解下是怎么用树结构做推荐系统的。 Large-scale Interactive Recommendation with Tree-structured Policy Gradient 摘要：强化学习（RL）最近被引入交互式推荐系统（IRS），因为它可以从动态交互中学习并规划长期性能。由于IRS总是有上千个item（数千个动作）要推荐，大多数现有的基于RL的方法无法处理如此大的
TPGR代码详解 Large-Scale Interactive Recommendation with Tree-Structured Policy Gradient
strawberry47的博客
05-17 1237
在github下载代码解压后，可以看见目录如下 data目录存放的是数据集，可以根据需要替换成自己的数据集。 src目录就是所有代码啦 看代码前我们先看看readme文件，如果某个代码中有Readme一定要先看看哦，里面通常包括了整个项目的简单介绍，包括一些参数设置。 其README文件和解释如下： In run_time_tools.py, mf_with_bias() is to gain embeddings of items by utilizing the PMF model; cluste
快手+何向南团队最新论文Counterfactual Interactive Recommender System ，反事实推理融入离线强化学习，解决filter bubble/信息茧房问题
strawberry47的博客
04-03 4140
目录链接1. 相关背景1.1 核心思想2. 实证分析3. 方法3.1 基本思想3.2 User Model3.2 State Tracker3.3 RL agent3.3 Real Environment 链接 相关链接： 论文链接在这里！ 代码解析在这里！ 代码链接 作者主页 相关知识： DeepFM模型 Transformer模型 PPO算法 DeepCTR库 Tianshou库 KuaiRec数据集相关链接： 论文：https://arxiv.org/abs/2202.10842 数据：https:
论文外本翻译.docx
04-03
【论文描述】：这篇翻译的论文探讨了如何运用强化学习（RL）技术，特别是树状结构策略梯度（Tree-Structured Policy Gradient，TPGR）来解决大规模交互式推荐系统（Interactive Recommendation System, IRS）中的...
【冷启动】Transform Cold-Start Users into Warm via Fused Behaviors in Large-Scale Recommendation SIGIR‘22
chadlee
08-10 658
主要有三点：（1）将冷启动用户的嵌入预热，其实就是加了一个冷启动用户embedding，（2）为了利用冷启动用户的少量行为来帮助表征用户，提出了通过Label Encoding（LE）同时建模正负反馈混合序列，类似于卷积层里有负样本。冷启动用户的user embedding刚开始是随机初始化的，为了消除初始随机初始化embedding的的影响，类似MAML的思想，用全局平均embedding来辅助。类似于图卷积中加负样本，在用户的序列行为中也考虑负反馈物品，即对用户曝光但未点击的item。...
【Notes】Multi-Behavior Sequential Recommendation with Temporal Graph Transformer（2022）
norah的博客
08-20 836
【Notes】Multi-Behavior Sequential Recommendation with Temporal Graph Transformer（2022）
Next Point-of-Interest Recommendation with Temporal and Multi-level Context
04-16
【标题】"Next Point-of-Interest Recommendation with Temporal and Multi-level Context"的研究主要集中在智能推荐系统领域，特别是针对地点推荐的优化。这一标题暗示了该研究利用时间（Temporal）和多层上下文...
GNN4Rec-3：图神经网络在阿里推荐中的应用
weixin_45519842的博客
07-29 587
介绍今天给大家介绍3篇图神经网络在阿里推荐业务中的应用，涉及到了图神经网络，组合优化，和强化学习等技术。KDD2019 Exact-K Recommendation via Maximal...
kmeans matlab 离散度_强化学习系列三——如何处理大规模离散动作空间
weixin_29630465的博客
01-01 624
在深度学习大潮之后，搜索推荐等领域模型该如何升级迭代呢？强化学习在游戏等领域大放异彩，那是否可将强化学习应用到搜索推荐领域呢？推荐搜索问题往往也可看作是序列决策的问题，引入强化学习的思想来实现长期回报最大的想法也是很自然的，事实上在工业界已有相关探索。因此后面将会写一个系列来介绍近期强化学习在搜索推荐业务上的应用。 本次将介绍两篇解决强化学习中大规模离散动作...
强化学习：如何处理大规模离散动作空间
喜欢打酱油的老鸟
06-18 9168
https://www.toutiao.com/a6701973206141501964/ 在深度学习大潮之后，搜索推荐等领域模型该如何升级迭代呢？强化学习在游戏等领域大放异彩，那是否可将强化学习应用到搜索推荐领域呢？推荐搜索问题往往也可看作是序列决策的问题，引入强化学习的思想来实现长期回报最大的想法也是很自然的，事实上在工业界已有相关探索。因此后面将会写一个系列来介绍近期强化学习在搜索推...
推荐系统的发展与简单回顾
Oner.wv的专栏
12-31 909
“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...
WWW2021 | 图机器学习论文一览
weixin_45519842的博客
04-26 963
WWW2021上一篇公众号的文章由于字体颜色设置的问题，只能在微信深色背景模式下阅读QAQ。由于公众号每天只能群发一次，所以这篇文章只能晚一天和大家见面啦，在此小编和大家说一声抱歉~WWW...
【Recsys2021】推荐系统论文整理和导读
发现问题，并解决问题，批判性思维
10-31 1947
文章目录一、按照推荐系统研究方向分类1.1 信息茧房和回音室1.2 探索与利用1.3 偏差与纠偏1.4 冷启动1.5 评估体系1.6 会话/序列推荐1.7 隐私保护1.8 对抗与攻击1.9 对话推荐系统1.10 可解释性推荐1.11 跨域推荐1.12 基于视觉的推荐1.13 组推荐/用户物品分层推荐1.14 推荐系统交互设计二、按照推荐技术分类2.1 协同过滤2.2 图学习2.3 强化学习2.4 度量学习2.5 联邦学习2.6 架构/训练/优化三、实验性质的文章总结 以下文章来源于蘑菇先生学习记 ，作者蘑菇
深度学习研究理解10：Very Deep Convolutional Networks for Large-Scale Image Recognition
热门推荐
whiteinblue的专栏
02-06 2万+
本文是牛津大学 visual geometry group（VGG）Karen Simonyan 和Andrew Zisserman 于14年撰写的论文，主要探讨了深度对于网络的重要性；并建立了一个19层的深度网络获得了很好的结果；在ILSVRC上定位第一，分类第二。 一：摘要 …… 从Alex-net发展而来的网络主要修改一下两个方面： 1，在第一个卷基层层使用更小的filter尺寸和间
KDD 2020 推荐系统论文一览
abcdefg90876的博客
08-22 4297
作者 |学派链接 |https://zhuanlan.zhihu.com/p/161705748编辑 | 深度传送门KDD是推荐领域一个顶级的国际会议。本次接收的论文按照推荐系统应用...
《算法图解》第三章笔记
海旋风的博客
09-09 169
第三章讲的是递归和栈。 书中对学习递归的人分为三个阵营：恨它的，爱它的，狠了几年后又爱上它的。 我认为我是第三种，恨是因为无法理解，爱上是因为它的优雅。 以前写递归主要问题都是递归出口条件不知道怎么写，什么时候调用自身。学习完这章后也只是大概了解了，具体应用还需要去leetcode磨练。 假设你在祖母的阁楼中翻箱倒柜发现了了一个上锁的神秘手提箱。 非递归式找钥匙 除了这个“创建盒子堆”的操...
Efficient Video Recommendation with Multi-Head Self-Attention and Hybrid Sampling
最新发布
05-05
Efficient Video Recommendation with Multi-Head Self-Attention and Hybrid Sampling is a research paper that proposes a new approach for video recommendation. The paper presents a hybrid sampling strategy that combines the benefits of uniform and adaptive sampling techniques. It also introduces a multi-head self-attention mechanism that captures both global and local dependencies in the video sequences. The proposed method is designed to be computationally efficient and can handle large-scale video datasets. The authors evaluated their approach on a public video recommendation dataset and demonstrated that it outperforms several state-of-the-art methods in terms of recommendation accuracy and computational efficiency. The proposed method is expected to be useful in various video recommendation applications, such as personalized video recommendations, video summarization, and video search. Overall, Efficient Video Recommendation with Multi-Head Self-Attention and Hybrid Sampling is an interesting research paper that proposes a novel approach to video recommendation with practical applications.
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