计算机科学>信息检索
标题: 列表推荐的生成流网络
摘要: 个性化推荐系统满足了客户的日常需求,推动了在线业务的发展。 目标是学习一种策略,该策略可以生成符合用户需求或兴趣的项目列表。 虽然大多数现有方法都学习一种逐点评分模型,该模型可以预测每个单项的排名得分,但最近的研究表明,通过对一起公开的项的列表内相关性建模,列表方法可以进一步提高推荐质量。 这促使最近的列表重新分类和生成性推荐方法优化了整个列表的整体效用。 然而,探索列表动作的组合空间是一项挑战,使用交叉熵损失的现有方法可能会遇到低多样性问题。 在这项工作中,我们的目标是学习一种能够为用户生成足够多样的项目列表,同时保持高推荐质量的策略。 所提出的解决方案GFN4Rec是一种生成方法,它利用流网络的洞察力来确保列表生成概率与其奖励之间的一致性。 我们的解决方案的主要优点是对数尺度报酬匹配损失,它本质上提高了代多样性,以及自回归项目选择模型,它在捕获列表未来报酬的同时捕获项目相互影响。 为了在主动探索过程中验证我们的方法的有效性及其优越的多样性,我们在模拟的在线环境以及两个真实数据集的离线评估框架上进行了实验。