目前推荐系统普遍存在长尾问题,导致商品推荐覆盖率低、多样性差,为此提出一种融合有偏随机游走(Node2Vec)和负反馈强化学习的商品推荐算法GES4RL(Graph Embedding with Side Information for Reinforcement Learning)。对商品传播的有...目前推荐系统普遍存在长尾问题,导致商品推荐覆盖率低、多样性差,为此提出一种融合有偏随机游走(Node2Vec)和负反馈强化学习的商品推荐算法GES4RL(Graph Embedding with Side Information for Reinforcement Learning)。对商品传播的有向加权图使用Node2Vec算法学习商品的编码表示;引入门控循环单元(GRU)对用户偏好的动态情况进行建模,并使用基于负反馈强化学习模型计算出长尾商品的最佳推荐策略。在TianChi电商数据集上的实验表明,该算法显著提高了商品推荐的多样性和命中率。展开更多
文摘目前推荐系统普遍存在长尾问题,导致商品推荐覆盖率低、多样性差,为此提出一种融合有偏随机游走(Node2Vec)和负反馈强化学习的商品推荐算法GES4RL(Graph Embedding with Side Information for Reinforcement Learning)。对商品传播的有向加权图使用Node2Vec算法学习商品的编码表示;引入门控循环单元(GRU)对用户偏好的动态情况进行建模,并使用基于负反馈强化学习模型计算出长尾商品的最佳推荐策略。在TianChi电商数据集上的实验表明,该算法显著提高了商品推荐的多样性和命中率。
