HRL Rec
1.0.0
Integrierte Empfehlung zielt darauf ab, heterogene Elemente im Hauptfutter aus verschiedenen Quellen gemeinsam über mehrere Kanäle zu empfehlen, wodurch Benutzerpräferenzen sowohl auf Element- als auch auf Kanalebenen erfasst werden müssen. Es wurde von Milliarden von Benutzern in praktischen Systemen häufig verwendet, während sich nur wenige Arbeiten systematisch auf die integrierte Empfehlung konzentrieren.
In dieser Arbeit schlagen wir einen neuartigen hierarchischen Lernrahmen für die integrierte Empfehlung (HRL-REC) vor, das die integrierte Empfehlung in zwei Aufgaben unterteilt, um Kanäle und Elemente nacheinander zu empfehlen.
Der Agent auf niedriger Ebene ist ein Kanalauswahl, der eine personalisierte Kanalliste generiert. Der hochrangige Agent ist ein Elementempfehlungssender, der bestimmte Elemente aus heterogenen Kanälen unter den Kanalbeschränkungen empfiehlt.
HRL-REC wurde auch in WeChat-Top-Geschichten eingesetzt, die Millionen von Benutzern betreffen.
Im tatsächlichen Online-System ist HRL-REC ein komplexes Neuausfall-Framework, das in C ++ implementiert ist. Alle Modelle werden basierend auf einer tief angepassten Version von verteilten Tensorflows, die großflächige spärliche Funktionen unterstützen, geschult.
Ohne massive Daten und Maschinenressourcen ist das Training HRL-REC nicht realistisch.
Daher implementiert der Open -Source -Code hier nur eine vereinfachte Version seiner Kernideen für die Referenz interessierter Forscher. Wenn es Fehler gibt, kontaktieren Sie mich bitte. Danke!
"Hierarchisches Verstärkungslernen für integrierte Empfehlungen" (AAAI 2020)
