上下文臂機器人在音樂流媒體應用程式中的旋轉木馬個性化

MMSep, 2020

上下文臂機器人在音樂流媒體應用程式中的旋轉木馬個性化

Carousel Personalization in Music Streaming Apps with Contextual Bandits

Walid Bendada, Guillaume Salha, Théo Bontempelli

TL;DR本文针对音乐平台等媒体服务提供商经常使用轮播卡片同用户推荐个性化内容的挑战，将轮播卡片的个性化视为多臂赌博问题，基于级联更新和延迟批量反馈提出了一个框架，并通过实验验证了该框架在全球音乐平台上的可用性。此外，本文公开了实验的工业数据，以及一个开源环境，用于模拟类似的轮播卡片个性化学习问题。

Abstract

media services providers, such as music streaming platforms, frequently leverage swipeable carousels to recommend personalized content to their users. However, selecting the most relevant items (albums, artists,

media services personalized content multi-armed bandit playlist recommendation open-source environment

发现论文，激发创造

基于上下文的赌博机算法用于个性化新闻推荐

本文提出了一种基于上下文的赌博算法来模拟个性化推荐新闻文章，该算法在学习过程中考虑到用户和文章的背景信息，并根据用户对文章的反馈调整文章选择策略以最大化总的用户点击率。实验结果表明，相较于标准的基于上下文的赌博算法，本方法提高了 12.5% 的点击率。

Feb, 2010

个性化推荐的神经上下文强化学习

在线商业领域，推荐系统对增强用户体验至关重要。本篇研究论文探讨了基于上下文的强化学习模型 —— 上下文强化学习框架，作为实现个性化推荐的强大工具。我们深入研究了该领域中的挑战、先进算法与理论、协同策略，以及开放性问题和未来前景。与现有相关教程不同，（1）我们专注于上下文强化学习的探索视角，以减轻推荐系统中的 “马太效应”，即物品的热门度导致富者更富、贫者更贫；（2）除了传统的线性上下文强化学习，我们还将专注于神经上下文强化学习，近年来成为重要的分支，从经验和理论两方面探究神经网络如何增进上下文强化学习的个性化推荐；（3）我们将介绍最新的话题 —— 协同神经上下文强化学习，以结合用户异质性和用户相关性，为推荐系统定制；（4）我们将提供和讨论神经上下文强化学习在个性化推荐中的新兴挑战和未解问题，特别是对于大型神经模型。

Dec, 2023

来自推荐数据集的个性化任务的模拟情境强化学习

利用像 MovieLens、Netflix、Million Song 等推荐数据集提供的真实数据进行生成，从而为个性化任务生成模拟的环境，以反映真实世界用户交互的细微差别。该方法可用于解决个性化任务、算法基准测试、模型模拟等方面。我们在 MovieLens 和 IMDb 数据集上进行了数值实例演示。

Oct, 2022

基于上下文多臂赌博机的时变用户兴趣个性化推荐

研究了在高度非静态环境中的情境赌博问题，提出了一种高效的自适应学习算法，并提供了理论上的遗憾分析来证明在时间长度 $T$ 的情况下，实现了遗憾的亚线性缩放。此外，将该算法扩展到混合收益的更一般情况下，并进行了实证实验，证明了该算法在两种设置下对基线算法的优势。

Feb, 2020

潜在语境决策与其在新用户个性化推荐中的应用

本研究提出了潜在上下文强化学习算法来解决个性化推荐中的冷启动问题，能够更快地了解新用户的兴趣并实现更好的后悔上限。

Apr, 2016

基于位置模型的多臂赌博反馈排序学习

本文介绍了一种基于多臂老虎机算法和位置点击模型的方法，用于解决线上系统中推荐排名的偏见问题，并在合成和实际数据集的离线和在线 A/B 测试中证明了该算法的有效性。

Apr, 2020

交互式个性化音乐推荐中的探索：一种强化学习方法

本文提出了一种基于强化学习和贝叶斯模型的音乐推荐和播放列表生成方法，探讨了探索和利用用户偏好的平衡，并表明这种新方法具有很强的潜力。