生成式流网络用于列表推荐
摘要：个性化推荐系统能够满足顾客的日常需求并促进在线业务。其目标是学习一个能够生成符合用户需求或兴趣的物品列表的策略。虽然大多数现有方法学习的是点对点的评分模型，可以预测每个个体物品的排名分数，但最近的研究显示，通过建模一起呈现的物品的内部相互关系，列表方法可以进一步提高推荐质量。这激发了最近基于列表重新排名和生成的推荐方法，它们优化整个列表的总效用。然而，探索列表操作的组合空间是具有挑战性的，现有方法使用的交叉熵损失可能存在多样性不足的问题。在这项工作中，我们的目标是学习一种能够为用户生成足够多样的物品列表而保持高推荐质量的策略。提出的解决方案GFN4Rec是一种生成方法，它利用流网络的洞察，确保列表生成概率与其回报的一致性。我们解决方案的主要优势是对数尺度的回报匹配损失，从本质上改善了生成多样性，以及能够捕捉物品的相互影响并捕捉列表未来回报的自回归物品选择模型。为验证我们方法的有效性以及在主动探索期间其卓越的多样性，我们在模拟在线环境和两个真实数据集的离线评估框架上进行了实验。
作者：Shuchang Liu, Qingpeng Cai, Zhankui He, Bowen Sun, Julian McAuley, Dong Zheng, Peng Jiang, and Kun Gai
论文ID：2306.02239
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-12