本文提出了一种结合强化学习和双聚类技术的推荐系统模型，将推荐问题建模为棋盘游戏，通过降低状态和动作空间来优化效率。双聚类用于处理用户和项目的高维稀疏数据，而强化学习则允许模型根据用户反馈实时调整推荐。通过在4×4棋盘环境中模拟用户移动，系统根据用户与项目集的相似度计算奖励值并生成推荐。实验表明，这种结合方法能有效解决推荐系统中的冷启动问题，并能适应用户行为的变化。
Reinforcement Learning based Recommender System using Biclustering Technique
原文链接： https://arxiv.org/pdf/1801.05532.pdf
“强化学习推荐，借助双聚类biclustering减少状态和动作空间优化效率和效果”
Abstract：
推荐系统致力于在海量的信息中为用户推荐其感兴趣的内容，由于信息的爆炸式增长，推荐系统的重要性日益凸显，也产生了很多有效果的方法：其中一个方法就是将推荐系统建模成MDP问题，但是由于离散的状态动作太多，我们提出一个基于强化学习的推荐系统，将推荐系统建模成棋盘格的游戏（gridworld），利用双聚类技术以减少动作状态空间。这种方法还可以有效解决冷启动问题。
Introduction
协同过滤（CF）是常用的推荐方法，但是有两个缺陷：
1、CF有两个维度：用户user和项目item，但是无论用基于用户的协同过滤（user-based）还是基于项目的协同过滤（item-based）都是只考虑两个维度中的一维，很难捕捉到两个维度同时产生的重要影响，并且数据矩阵通常高维且稀疏。——所以利用双聚类技术
2、CF是静态的，用户的反应不能实时加入到数据中。——所以利用MDP技术
双聚类：
可见文档：
最低0.47元/天 解锁文章
扫一扫
2923
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
