AAAIDec, 2019

多目标推荐系统的多梯度下降

PDF
TL;DR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。
recommender systemsmulti-objective optimizationgradient descentstochasticityaccuracy
发现论文，激发创造
  • 多目标推荐中基于动量的梯度方法

    本文介绍一种多目标梯度下降算法，利用 Adam optimizer 优化多目标推荐系统，通过多个 Pareto front metrics 得出该算法具有显著的改进，且优于之前的算法。

    Sep, 2020

  • 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

    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。

    Aug, 2017

  • 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

  • 多目标优化的随机多梯度算法及其在监督机器学习中的应用

    研究随机多梯度 (SMG) 方法，将其作为经典随机梯度方法的扩展，用于解决具有不确定性数据的多目标优化问题。通过建立计算 Pareto 前沿的速率，将 SMG 方法帧入 Pareto-front 类型算法，可以鲁棒地确定 Pareto 前沿，并可应用于多个问题上，例如在机器学习中的逻辑二元分类。

    Jul, 2019

  • 定向多目标学习：简单且可证明的随机算法

    本文提出了基于方向的多目标问题、Stochastic Direction-oriented Multi-objective Gradient Descent 和 SDMGrad-OS 算法，实现了多任务学习和强化学习中的多目标优化。

    May, 2023

  • 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

  • 多目标策略优化的分布式视角

    本文提出了一种用于多目标强化学习的新算法，可以以一种无量纲的方式设置目标的偏好，并且通过学习行动分布和拟合参数策略来在高维实际机器人任务及模拟任务中展示了其有效性，从而找到一组非支配解空间。

    May, 2020

  • 镜面梯度：通过探索平坦局部极小值实现鲁棒的多模态推荐系统

    在这篇论文中，我们从平坦的局部极小值的新颖角度分析了多模式推荐系统，并提出了一种简洁而有效的梯度策略，称为镜像梯度（MG）。通过这种策略在优化过程中隐含地增强模型的稳健性，减轻了多模式信息输入导致的不稳定风险。我们提供了强有力的理论证据，并进行了广泛的实证实验，展示了 MG 在各种多模式推荐模型和基准测试中的优越性。此外，我们发现所提出的 MG 可以补充现有的稳健训练方法，并可以轻松扩展到各种先进的推荐模型，使其成为训练多模式推荐系统的一种有前途的新的基本范式。

    Feb, 2024

  • 基于推荐系统的大规模多目标优化方法

    本研究提出了 VMORS 方法，将 100,000 到 500,000 维度的大规模多目标优化问题转化成适于推荐系统处理的问题，使用 Thompson 抽样推荐最适合不同用户（解决方案）的进化方向（项目），以在可接受的时间内在非常大的搜索空间中找到最优解决方案。实验结果表明，我们的方法不仅表现良好，而且比现有方法有显著的改进。

    Apr, 2023

  • 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