一种多目标重新排序学习方法，优化面向多方利益相关者的在线市场

MMAug, 2017

一种多目标重新排序学习方法，优化面向多方利益相关者的在线市场

A Multi-Objective Learning to re-Rank Approach to Optimize Online Marketplaces for Multiple Stakeholders

Phong Nguyen, John Dines, Jan Krasnodebski

TL;DR本研究提出了一种基于多目标的重新排序方法，使用基于 Kendall tau 相关度量和其核版本的正则化函数来解决涉及多种利益相关方的推荐问题，对包括消费者、供应商和中介在内的三个利益相关方进行多目标优化，通过真实数据集验证了此方法的有效性。

Abstract

multi-objective recommender systems address the difficult task of recommending items that are relevant to multiple, possibly conflicting, criteria. However these systems are most often designed to address the objective of one single stakeholder, typically, in online commerce, the consu

multi-objective recommender systems multi-stakeholder recommendation learning-to-re-rank approach regularization function kendall tau correlation metric

发现论文，激发创造

多目标推荐系统：调查与挑战

本文综述了多目标推荐系统的类型和竞争目标，并概述了在此领域的挑战。

Oct, 2022

多目标推荐系统的多梯度下降

本文提出了用随机梯度下降的方法（MGDRec）来解决推荐系统中多目标优化问题，通过梯度规范化将不同度量指标作为一个整体优化，确保同时提升多个利益相关者的目标，避免了全梯度计算的缺点并且在提高准确率的同时也提升了产品的质量。

Dec, 2019

多利益相关者推荐研究方向

本文介绍了多利益相关方推荐的概念及其在推荐系统领域的设计及研究问题，并强调了公平、平衡、盈利能力和互惠性等不同指标对于评估推荐系统的重要性。

May, 2019

匹配市场中的推荐排名优化

研究发现，将现有的推荐系统直接应用于匹配市场是次优的。因此，提出了一种新的推荐框架来建模这种交互机制，并提出了高效的算法来计算个性化排名，并首次提出了联合优化所有市场候选人排名的方法来明确最大化社会福利。

Jun, 2021

排名与评分：用于推荐系统的多任务学习

本文提出了一种利用用户的双重决策过程的多任务框架，针对推荐系统领域的排名和评分预测任务进行优化，通过在两个基准数据集上进行测试，证明了其优于现有技术的表现。

Jul, 2018

多利益相关者推荐及其与多方公平性的关联

本文研究了多利益相关者推荐的公平性问题，定义了多利益相关者推荐系统的不同类别，并讨论了在此类系统中不同的公平性问题。

Jul, 2019

选择两全其美：通过多目标强化学习实现多样化且新颖的推荐

介绍了一种新的强化学习框架 SMORL，可在多重目标推荐任务中同时增加准确性，多样性和新颖性。该实验表明，在两个真实世界的数据集上，与仅关注准确性的单一目标强化学习代理相比，推荐多样性显著增加，准确性适度提高，而推荐的重复性也得到了减少，并强调了多样性和新颖性的重要性。

Oct, 2021

多目标强化学习与规划实用指南

本文为那些希望将多目标方法引入其研究的已经熟悉单目标强化学习和计划方法的研究人员以及在实践中遇到多目标决策问题的从业人员提供了一个解决复杂问题的指南，阐述了影响所需解决方案性质的因素，并通过示例说明了这些因素如何影响复杂问题的多目标决策系统的设计。

Mar, 2021

可扩展的学习非可分解目标

本研究提出了一种统一的框架，使用简单的构建块限制，允许对各种基于排名的目标进行高度可扩展的优化，并在多个实际检索问题上展示了我们方法的优势，同时在性能和精度方面显著改进了基线。

Aug, 2016

多目标推荐的多元策略学习

多目标权衡时，推荐系统中的标量化方法决定最终用于排序的加权平均奖励信号，本研究对该方法进行了扩展以优化长期用户保留或增长的综合奖励，使用连续多元动作空间的策略学习方法，并提出了修正措施，通过模拟、离线和在线实验验证了方法的有效性。

May, 2024