Mar, 2021

RecSim NG: 面向推荐生态系统的原则不确定性建模

PDF
TL;DR本文介绍了一种名为 RecSim NG 的概率化平台，用于模拟多智能体交互的建议系统，并演示了如何使用它来生成可配置的模型，以帮助研究人员和从业者轻松地开发和训练新的算法。
recommender systemsmulti-agent interactionprobabilistic simulationlatent-variable model learningalgorithm development
发现论文，激发创造
  • RecSim: 一个可配置的推荐系统模拟平台

    RecSim 是一个可配置的用于制作序列交互推荐环境的平台，支持反馈学习和推荐系统技术的发展。

    Sep, 2019

  • RecAgent: 一种适用于推荐系统的新型仿真范式

    本文介绍了一种基于大型语言模型的推荐系统模拟器 RecAgent，旨在克服仿真研究的缺陷并突出优势，通过真实用户行为来验证其有效性。

    Jun, 2023

  • Sim2Rec: 基于模拟器的决策方法，优化顺序推荐系统中实际长期用户参与度

    本篇研究利用仿真器训练上下文感知策略来处理 Long-term user engagement 优化中的现实间隙问题，该策略能够在模拟器和真实环境中学习和识别用户行为模式，并在不同环境下作出最佳决策，实验结果表明 Sim2Rec 模型在模拟环境和真实环境中均可以有效推荐。

    May, 2023

  • 基于强化学习的推荐系统中环境模拟的研究

    本文介绍了一种基于生成对抗网络的用户模拟器，可以用于预先训练和评估新的基于强化学习的推荐算法，并使用真实世界的电子商务数据进行实验验证。

    Jun, 2019

  • 关于推荐中的生成代理

    基于大型语言模型（LLM）的 Agent4Rec 推荐系统模拟器能够模拟自主用户在电影推荐系统中的行为，并探索了推荐任务中的过滤泡沫效应和潜在因果关系的实验。

    Oct, 2023

  • 模拟新闻推荐生态系统以求利益和乐趣

    本文提出了一种模拟平台 SimuLine，对新闻推荐生态系统的进化过程和基本机制进行了详细的分析，并从产品生命周期理论的角度，探讨了推荐系统设计策略（包括冷启动新闻、突发新闻和推荐）对进化过程的影响，为设计更有效的新闻推荐系统提供了新思路。

    May, 2023

  • 推荐生态系统建模：机制设计、强化学习和生成模型的交叉研究挑战

    在现代推荐系统中，为了最大化系统对参与者的价值并提高整体生态系统的 “健康度”，必须明确地对系统中的所有参与者的激励和行为进行建模，并考虑推荐者策略引起的相互作用。这需要使用强化学习等技术进行长期优化，使用社会选择方法对不同参与者的效用进行权衡，利用机制设计的工具来减少信息不对称并考虑激励和战略行为，通过整合行为经济学和心理学的概念来更好地对用户和项目提供者的行为进行建模，以及利用生成模型和基础模型的最新进展来使这些机制可解释和可操作。基于这些不同学科的交叉点，我们提出了一个概念框架，并阐明了几个研究挑战。

    Sep, 2023

  • 基于生成模型的现代推荐系统综述

    通过综合和多学科的调查研究，本文连接了使用生成模型（Gen-RecSys）在推荐系统中的关键进展，包括：基于交互驱动生成模型的基础概述；大型语言模型（LLM）用于生成推荐、检索和对话推荐的应用；以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式，并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。

    Mar, 2024

  • RGRecSys：推荐系统稳健性评估工具包

    本文提出了一种综合的鲁棒性评估方法，针对在线技术中广泛存在的推荐系统，研究数据稀疏性和个人信息注入攻击等多种情形下的鲁棒性，并提出了一套评估工具 Robustness Gym for RecSys (RGRecSys)，可以快速、统一地评估推荐系统模型的鲁棒性。

    Jan, 2022

  • 推荐系统的合成数据与模拟器：现状与未来方向

    本文讨论了合成数据和模拟器在改善推荐系统性能方面的潜力和已有成果，并探讨了在此过程中数据保真度和隐私之间的重要平衡。通过对真实数据和合成数据进行算法排名的重要用例，探讨了当前成功与限制，并概述了推荐系统的未来方向。这些方向包括混合真实数据和合成数据、反馈在数据集生成中的应用、健壮的模拟以及隐私保护方法。

    Dec, 2021