知识增强策略引导的交互式强化推荐系统

推荐系统是解决社会媒体信息过载问题的重要手段。为了解决传统推荐系统无法优化用户长期体验的问题,研究人员提出了交互式推荐系统,并尝试使用深度强化学习优化推荐策略。但是,强化推荐算法面临反馈稀疏、从零学习影响用户体验、物品空间大等问题。为了解决上述问题,提出一种改进的知识增强策略引导的交互式强化推荐模型KGP-DQN。该模型构建行为知识图谱表示模块,将用户历史行为和知识图谱结合,解决反馈稀疏问题;构建策略初始化模块,根据用户历史行为为强化推荐系统提供初始化策略,解决从零学习影响用户体验的问题;构建候选集筛选模块,根据行为知识图谱上的物品表示进行动态聚类,从而减少物品空间,解决动作空间大的问题。在3个真实数据集上进行了实验,实验结果表明,KGP-DQN可以快速有效地对强化推荐系统进行训练,其在3个数据集上的推荐准确率均超过80%。

Graph-enhanced neural interactive collaborative filtering

To improve the training efficiency and recommendation accuracy in cold-start interactive recommendation systems,a new graph structure called item similarity graph is proposed on the basis of real data from a public dataset.The proposed graph is built from collaborative interactions and a deep reinforcement learning-based graph-enhanced neural interactive collaborative filtering(GE-ICF)model.The GE-ICF framework is developed with a deep reinforcement learning framework and comprises an embedding propagation layer designed with graph neural networks.Extensive experiments are conducted to investigate the efficiency of the proposed graph structure and the superiority of the proposed GE-ICF framework.Results show that in cold-start interactive recommendation systems,the proposed item similarity graph performs well in data relationship modeling,with the training efficiency showing significant improvement.The proposed GE-ICF framework also demonstrates superiority in decision modeling,thereby increasing the recommendation accuracy remarkably.

融合多模态特征的深度强化学习推荐模型

【目的】利用多模态特征融合和深度强化学习缓解数据稀疏性和用户兴趣偏好动态变化问题。【方法】使用预训练模型和注意力机制分别实现模态内表征和三模态间融合,同时建模用户-项目交互,并利用深度强化学习算法实时捕捉用户兴趣漂移和长短期奖励实现个性化推荐。【结果】较对比模型中最高值,所提模型在MovieLens-1M、MovieLens-100K和Douban数据集上的Precision@5分别提高11.8%、16.5%和11.4%,NDCG@5分别提高5.3%、8.0%和6.4%。【局限】Douban数据集的用户交互历史较少,所提模型在训练过程中无法学习到更准确的用户偏好,与在MovieLens数据集上的实验相比,推荐结果受限。【结论】所提模型融合项目多模态信息重构深度强化学习的状态表示网络,改善了推荐效果。