Sep, 2019

DEAR: 推荐系统中用于在线广告展示的深度强化学习

PDF
TL;DR本文提出了一种基于强化学习的广告策略，通过设计一个新型的深度 Q 网络结构，可以连续更新其广告策略，在推荐列表中插入广告或不插入广告，并选择最优广告和最佳插入位置，使得推荐广告效果显著提升。
reinforcement learningonline advertisingrecommendation platformsadvertising revenuedeep q-network architecture
发现论文，激发创造
  • 搜索、推荐和在线广告的深度强化学习：综述

    本文概述了基于深度强化学习的信息搜索、推荐和在线广告的方法和应用，回顾了代表性算法，讨论了一些有吸引力的研究方向。

    Dec, 2018

  • 联合学习推荐和广告

    本文提出了一种新的两级强化学习框架，用于联合优化推荐和广告策略，第一层生成推荐列表以优化用户体验，第二层将广告插入推荐列表以平衡广告客户的即时广告收入和广告对长期用户体验的负面影响。实验结果表明该框架的有效性。

    Feb, 2020

  • 基于深度强化学习的列表推荐

    本文提出一种通过模型驱动的增强学习方法来不断优化推荐策略的推荐系统，将用户与推荐系统之间的交互建模为马尔可夫决策过程，并通过在线用户 - 代理交互环境模拟器来预训练和评估模型参数，进一步提出了一种将列表式推荐纳入推荐系统的实验方法，并在真实世界的电子商务数据集上验证了该方法的有效性。

    Dec, 2017

  • 基于深度强化学习的显式用户 - 物品交互模型推荐

    本研究提出了一个基于深度增强学习的新型推荐框架，称为 DRR，它将推荐视为一种顺序决策过程，并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互，同时考虑动态适应和长期回报，经过四个真实数据集的广泛实验，证明了 DRR 方法确实优于现有的竞争对手。

    Oct, 2018

  • 基于对抗生成网络的强化学习推荐系统用户模型

    该论文提出了一种新颖的基于生成对抗网络的强化学习框架，以解决在推荐系统中无法明确定义环境奖励函数和动态环境的应用挑战，使用该框架开发了一个用户模型作为仿真环境，开发了一种新颖的 Cascading DQN 算法来获得一个组合推荐策略，实验证明这个生成对抗用户模型可以更好地解释用户行为，并且基于该模型的 RL 策略能够为用户带来更好的长期回报和系统的点击率。

    Dec, 2018

  • 基于多智能 Agent 强化学习的实时竞价展示广告

    本文讨论了如何利用多智能体强化学习进行实时广告优化，提出了一种聚类算法分配策略代理，并通过行业实验表明，与单一代理和实验算法相比，基于聚类的竞价模型具有更好的效果。

    Feb, 2018

  • 通过基于策略的强化学习优化基于拍卖的推荐系统的长期价值

    本研究利用强化学习中的时差学习算法优化基于竞拍的推荐系统，实现一步政策改进方法并优先考虑长期用户参与度指标。在处理数十亿次曝光和用户日活跃用户的基于拍卖的推荐系统的在线 A / B 测试中，我们经验性地证明了我们的方法在长期用户参与度指标方面优于当前生产系统。

    May, 2023

  • 优化生产投标策略的离线强化学习

    通过离线强化学习从真实数据中学习，我们提出了一种通用方法来优化生产环境中的竞价策略，这种方法可以用于优化任何可微分的基础策略，并且只需要由基础策略自身生成的数据。我们使用混合代理架构将任意基础策略与深度神经网络结合起来，在训练后仅部署优化的基础策略参数，而神经网络部分被丢弃。我们证明这样的架构在模拟和生产竞价环境中都能取得统计上显著的性能提升。我们的方法不会产生额外的基础设施、安全或可解释性成本，因为它直接优化现有生产流程的参数，而不是用类似神经网络的黑箱模型替换它们。

    Oct, 2023

  • 基于强化学习的数字人类互动推荐决策

    本研究基于强化学习、多模态嵌入和图嵌入等技术，设计了一个新型的数字人互动推荐代理框架，以提高个性化推荐和数字人代理的效率和准确性。实验结果表明该框架具有更好的个性化客户参与和更好的客户体验。

    Oct, 2022

  • 使用马尔可夫决策过程和机器学习技术改善在线广告实时竞价

    本文提出了一种结合深度学习和强化学习技术的实时竞价新方法，用于优化广告投放并提高成效，通过历史数据的比较验证了该方法的有效性和实用性，并对模型参数对算法表现的影响进行了研究。

    May, 2023