HRL Rec

HRL-REC

Rekomendasi terintegrasi bertujuan untuk bersama -sama merekomendasikan item heterogen di umpan utama dari berbagai sumber melalui beberapa saluran, yang perlu menangkap preferensi pengguna pada level item dan saluran. Ini telah banyak digunakan dalam sistem praktis oleh miliaran pengguna, sementara beberapa pekerjaan berkonsentrasi pada rekomendasi terintegrasi secara sistematis.

Dalam karya ini, kami mengusulkan kerangka pembelajaran penguatan hierarkis baru untuk Rekomendasi Terpadu (HRL-REC), yang membagi rekomendasi terintegrasi menjadi dua tugas untuk merekomendasikan saluran dan item secara berurutan.

Agen tingkat rendah adalah pemilih saluran, yang menghasilkan daftar saluran yang dipersonalisasi. Agen tingkat tinggi adalah rekomendasi item, yang merekomendasikan item spesifik dari saluran heterogen di bawah kendala saluran.

HRL-REC juga telah digunakan di WeChat Top Stories, mempengaruhi jutaan pengguna.

Persyaratan:

• Python 3.9
• TensorFlow 2.5.0-RC0

Catatan

Dalam sistem online yang sebenarnya, HRL-REC adalah kerangka kerja ulang yang kompleks yang diimplementasikan dalam C ++. Semua model dilatih berdasarkan versi yang sangat disesuaikan dari fitur TensorFlow yang didistribusikan yang mendukung fitur jarang berskala besar.

Tanpa data besar dan sumber daya mesin, pelatihan HRL-REC tidak realistis.

Oleh karena itu, kode open source di sini hanya mengimplementasikan versi yang disederhanakan dari ide -ide intinya untuk referensi peneliti yang tertarik. Jika ada kesalahan, silakan hubungi saya. Terima kasih!

Tentang

"Pembelajaran Penguatan Hierarkis untuk Rekomendasi Terpadu" (AAAI 2020)