设计应用

融合用户兴趣建模的智能推荐算法研究

作者： 洪志理，赖 俊，曹 雷，陈希亮
发布日期：2021-11-17
来源：信息技术与网络安全 11期

0 引言

推荐系统[1]，作为大数据时代方便人们在庞大的可选项目中快速准确定位到自己感兴趣物品的工具，基本思想是通过构建模型从用户的历史数据中提取用户和物品的特征，利用训练好的模型对用户有针对地推荐物品。

近年来随着强化学习的快速发展，将强化学习应用于推荐系统的研究越来越受到关注，首次将深度强化学习应用于推荐系统的探索模型是DRN[2]，为深度强化学习在推荐系统中的应用构建了基本框架，图1所示为基于深度强化学习的推荐系统框图。

目前基于深度强化学习的推荐系统研究已有诸多研究成果，如童向荣[3]等人将DQN应用于以社交网络为基础的信任推荐系统中，应用于智能体学习用户之间信任度的动态表示，并基于这种信任值来为用户做推荐；刘帅帅[4]将DDQN应用于电影推荐中来解决推荐精确度低、速度慢以及冷启动等问题；Munemasa[5]等人将DDPG算法应用于店铺推荐，来解决用户数据稀疏问题；Zhao[6]等人将Actor-Critic算法应用于列表式推荐，来解决传统推荐模型只能将推荐过程建模为静态过程的问题。上述研究成果以及未在此罗列的众多研究均是利用强化学习本身的性质来解决推荐问题，很少从推荐角度出发考虑问题。




本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003846





作者信息：

洪志理，赖  俊，曹  雷，陈希亮

(陆军工程大学 指挥控制工程学院，江苏 南京210007)


此内容为AET网站原创，未经授权禁止转载。
强化学习 推荐系统 DDPG DDPG-LA LSTM

Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2

Baidu
map