通过知识图谱增强的强化学习交互式推荐系统
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
Jul, 2023
通过重新访问基于回顾数据集的 IRS 实验,我们将 RL 模型与简单的奖励模型进行比较,发现简单贪婪的奖励模型在最大化累积奖励方面一直优于 RL 模型;而将长期奖励赋予更高权重会导致推荐性能下降;用户反馈对基准数据集仅有长期影响。因此,我们得出结论:数据集需要经过谨慎验证,并且在评估 RL-IRS 方法时应包含简单贪婪基线。
Aug, 2023
本研究提出了一种针对交互式推荐系统的树形策略梯度推荐框架,通过在项目上构建平衡的分层聚类树来解决大离散行动空间问题,实验证明,该模型具有更优异的推荐效果和显著的效率改进。
Nov, 2018
提出了一种名为 “交互图卷积过滤模型” 的新颖方法,通过扩展交互式协同过滤到图模型中,增强用户和物品之间的协同过滤性能,同时采用变分推断技术解决非线性模型的计算难题,以及采用贝叶斯元学习方法有效解决冷启动问题,并对该方法建立理论上的遗憾界限,确保其稳健性能。在三个真实数据集上的广泛实验结果验证了该方法的优越性。
Sep, 2023
本文提出一种动态加权图强化学习方法,将 CRS 中的三个决策问题统一到一个策略学习任务中,并针对样本效率问题,提出两种动作选择策略,以解决 CRS 中的可伸缩性和稳定性问题。在两个基准 CRS 数据集和一个实际电子商务应用上的实验结果表明,该方法不仅显著优于现有方法,而且提高了 CRS 的可伸缩性和稳定性。
May, 2021
本文提出了一种名为策略引导路径推理(PGPR)的方法,将推荐和可解释性结合起来,并在知识图中提供实际路径,通过明确的推理过程生成和支持推荐,同时实现了强化学习和策略引导图搜索算法。在多个实际数据集的评估中,与现有的最先进方法相比,获得了良好的结果。
Jun, 2019
通过引入知识图谱的图卷积神经网络模型加入历史交互数据,再通过协作引导机制提取知识图谱信息实现个性化推荐,实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。
Sep, 2021
本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向,重点讨论了核心组件 —— 图嵌入模块,以及它们如何解决实际推荐问题,例如规模扩展,冷启动等,并总结了常用的基准数据集、评估指标和开源代码。
Mar, 2020
本文旨在在推荐系统中将知识图谱引入,特别考虑了不完整的知识图谱,并通过关系传递实现对用户偏好的理解,提高了推荐性能。通过联合训练建议模型和知识图谱完成模型,综合多个迁移模式,表现出卓越的性能
Feb, 2019