计算机科学>信息检索
职务: 强化学习的多任务建议
摘要: 近年来,多任务学习(MTL)在推荐系统(RS)应用中取得了巨大成功。 然而,当前基于MTL的推荐模型倾向于忽略用户与项目交互的会话模式,因为它们主要基于项目数据集构建。 此外,平衡多个目标一直是该领域的一个挑战,这通常是通过现有工作中的线性估计来避免的。 为了解决这些问题,本文提出了一个强化学习(RL)增强的MTL框架,即RMTL,以使用动态权重组合不同推荐任务的损失。 具体来说,RMTL结构可以通过以下方式解决上述两个问题:(i)通过会话式交互构建MTL环境;(ii)训练与大多数现有基于MTL的推荐模型兼容的多任务actor-critic网络结构;(iii) 使用关键网络生成的权重优化和微调MTL损失函数。 在两个真实世界公共数据集上的实验表明,相对于最先进的基于MTL的推荐模型,具有更高AUC的RMTL是有效的。 此外,我们评估并验证了RMTL在各种MTL模型之间的兼容性和可转移性。