AAAI2021-Hierarchical Reinforcement Learning for Integrated Recommendation

文章目录

• 介绍
• 相关工作
• 方法论
• • 问题定义和模型概览
  • 频道选择器(LRA)
  • 项目推荐器(HRA)
  • 损失函数
  • 在线探索
• 实验
• • 离线评估
  • 在线A/B测试
  • 消融实验
  • 模型分析
  • 在线模型稳定性
• 总结

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

介绍

Xie R, Zhang S, Wang R, et al. Hierarchical reinforcement learning for integrated recommendation[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2021, 35(5): 4521-4528.

在这里插入图片描述

如图1是一个真实世界中综合的推荐系统，它首先从不同的频道中集成了不同的项目（比如视频、新闻、文章），然后对这些项目进行排序并完成综合推荐。

综合推荐中面临着许多挑战：

1. 不同的项目有不同的特征，对应着不同的排序策略。
2. 如何学习用户在频道和项目两个层面上的偏好。
3. 如何保证在线模型的稳定性？也就是随着数据的更新，模型应保持个频道占比的相对稳定。

而本文所提出的方法解决了上述挑战，并具有如下优势：

1. 有效的找到最优解。
2. 多种奖励来确保推荐的准确性、多样性和新颖性。
3. 对频道和项目进行了解耦合。

本文贡献如下：

1. 提出了一个新的HRL-Rec（基于分层强化学习的推荐）模型。
2. 提出了一个新的HRL（分层强化学习）框架。
3. 通过实验验证了该模型的有效性和稳定性。

相关工作

• 推荐系统 一些经典方法：Logistic regression(LR)、Factorization machine(FM) LR+DNN：Wide&Deep FM+DNN：DeepFM、NFM、AFM 更好提取特征：AutoInt、AFN、AutoFIS 更好建模用户行为：BERT4Rec、DFN
• 强化学习 基于策略的：Policy gradient(PG) 基于价值的：Deep Q-network(DQN)、Double、Dueling 基于策略和价值的：A3C、DDPG
• 用于推荐的强化学习 相关方法有： DQN+用户活跃度 神经网络来模拟奖励 对抗训练 RL+监督方法 PG+top-k off policy 基于模板的Q学习

其中，本文主要参考了DDPG(Deep Deterministic Policy Gradient)，主要思想是通过两个网络分别学习产生动作和价值，即： Actor Network -> action Critic Network -> value(Q)

方法论

问题定义和模型概览

在这里插入图片描述

图2是HRL-Rec模型的整体概览，首先介绍相关符号： 低级状态：

低级动作：

低级奖励：

低级状态：

低级动作：

低级奖励：

衰减系数：

模型产生推荐的流程大致如下：

1. LRA（低级学习代理）在第

个位置根据状态

生成动作

来推荐一个频道

。

1. HRA（高级学习代理）在频道

的约束下，根据状态

生成动作

，得到对应项目

。

1. 环境接收到频道

和项目

，然后返回对应的奖励（

和

）给到对应的代理器。

1. 最后更新状态，重复循环。

对于LRA、HRA以及图中相关损失后面会介绍。

频道选择器(LRA)

低级强化学习代理是一个频道选择器，由以下3部分组成：

1. 低级状态编码器 也就是对数据进行建模，提取特征。使用a)用户长期档案、b)推荐上下文、c)当前频道特征、d)累计频道特征，这四方面构建特征矩阵

。

在这里插入图片描述

使用GRU和self-attention对若干

序列进行建模，得到低级状态

：

在这里插入图片描述

具体细节可查看原文及对应参考文献。

1. 低级编码器 使用了一个全连接层作为编码器，通过低级状态

得到低级动作

：

在这里插入图片描述

具体使用的是tanh作为激活函数，并且添加了高斯噪音。 得到若干低级动作

后，后面用过相似度损失sim loss，选择与目标最相似的一个低级动作作为输出，即选择的频道，即

。

1. 低级评估器 Q值表示当前步的期望奖励，需要一点强化学习背景，也就是当前奖励

+下一步奖励（衰减系数*

）的期望。此处的奖励

表示的是点击频道

的次数。

在这里插入图片描述

使用一个全连接层，用小q来估计大Q：

在这里插入图片描述

就是对状态和动作分别乘以权重参数后再加上偏置参数，最后使用ReLu激活函数。

项目推荐器(HRA)

高级强化学习代理是一个项目推荐器，与LRA很相似，也由3部分组成：

1. 高级状态编码器 与LRA相似，只是将频道特征换成了项目特征。
2. 高级编码器 也是一个全连接层：

在这里插入图片描述

使用相似度损失，在若干高级代理中，得到最相似的作为推荐的项目

，即

。

1. 高级评估器

在这里插入图片描述

在这里插入图片描述

与LRA相似，不再赘述，只是将奖励换了下，其中：

表示用户点击项目

的次数；

表示在项目

上的停留时间；

表示标签/类别的增量；

表示新标签/类别的数量；

损失函数

• LRA loss 公式9采用均方误差作来衡量低级评估器的损失。其中，

表示目标Q值；

表示目标策略；

表是一个在线参数，在训练过程中进行更新；

是一个经验参数，在进行优化前固定。

在这里插入图片描述

公式10通过学习参数

作为低级动作的损失函数，希望奖励最大化，也就是最小化-Q：

在这里插入图片描述

最后通过公式11作为LRA loss，低级强化学习代理的损失函数：

在这里插入图片描述

• HRA loss HRA loss高级强化学习代理器的损失与LRA loss基本一致，不再赘述：

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

• CTR-oriented supervised loss 点击通过率监督损失，也就是推荐并展示的项目中，有多少是用户点击了的（推荐成功了的）。

在这里插入图片描述

在这里插入图片描述

其中，

是预测的（推荐的）动作；

是展示给用户的真实项目；

表示被用户

点击的项目

；

是预测的点击概率；

是权重向量；

是偏置。

• Similarity loss 使用余弦相似度，从虚拟动作

中选择最相似的项目

：

在这里插入图片描述

• Final loss 最后将上述损失相加得到最终损失函数：

在这里插入图片描述

超参数取值：

（插播反爬信息 ）博主CSDN地址：https://wzlodq.blog.csdn.net/

在线探索

在推荐中，大多数基于估计的强化学习方法遭受着严重的噪音和过拟合问题，这是因为估计和真实反馈之间存在差距。

因此，我们采用了

贪心策略，也就是有

的概率随机选择动作，有

的概率选择最优的动作。

这样做的可行性和优势：

• 我们的在线模型被百万级的用户广泛使用，这意味着HRL-Rec可以得到充足的训练。
• 估计的方法不可避免的产生不准确性和偏见奖励，而HRL-Rec中的在线探索全部都是由真实用户进行评估的。
• 在线探索的质量是可接受的，因为我们是从top 200的项目中进行随机选择的。

实验

离线评估

实验指标：

• AUC 曲线下面积，用于衡量推荐模型结果的相关性。
• RelaImpr 相对提高率，本模型相对于其他模型的提高改进率。

在这里插入图片描述

表2显示HRL-Rec模型显著优于其他基线，显著性水平

。

分析：

1. 学习了用户在频道和项目两个层面上的偏好；
2. 更有效的找到最优解；
3. 提高了用户短期和长期体验。

在线A/B测试

实验相关指标：

• CTR：点击通过率
• ACN：人均点击次数
• AWT：人均观看次数

在这里插入图片描述

将用户在线分为AB两组，分别使用不同方法，查看对比提升。

分析：

1. HRL-Rec显著优于其他RL版本；
2. GRU表现优于LR；Double和Dueling策略是有效的；分层强化学习的架构对于综合推荐是有效的；
3. 添加多样性奖励

和新颖性奖励

到最后两个模型中，AWT提高了1.98%。

消融实验

在这里插入图片描述

对各个部分进行消融实验，验证其有效性。

分析：

1. 使用全连接层和池化层作为被消融状态，发现self-attention（用于特征提取）和GRU（ 用于序列编码）是至关重要的；

将不会考虑任何未来奖励，则表明了在推荐中考虑未来奖励是有效的；

1. 在我们的模型中，损失

和

是不可或缺的，提升了训练的稳定性和快速收敛性。

模型分析

在这里插入图片描述

（a）对衰减系数

的分析

1. 当

时，模型取得最好效果；

表示忽略任何未来奖励，曲线的上升验证了考虑未来奖励的重要性。

（b）对特征序列长度的分析

1. 当序列长度取50时，HRL-Rec实现了最佳效果。
2. 曲线的上升表明考虑用户历史行为是很有帮助的，曲线的下降表明考虑过长的用户历史也会有副作用。

在线模型稳定性

在这里插入图片描述

我们假设一个稳定的鲁棒的综合推荐系统，当数据每日更新时，应该具有稳定的频道比例，因此用频道比例的稳定作为在线模型稳定性的参考依据。

DQN模型最大和平均变化分别为18.0%和11.7%，而我们模型最大和平均变化分别为4.5%和1.4%。

分析：

1. 我们模型成功的学习到了用户在频道上的偏好，而这个偏好是很稳定的；
2. 解耦合了频道选择器和项目推荐器，平滑了频道占比的扰动。

总结

在本工作中，我们强调了综合推荐并提出了HRL-Rec模型，它是由频道选择器和项目推荐器两部分组成，并且有多种奖励和损失。我们进行了大量的实验，验证了我们模型的改进。HRL-Rec已经成功应用到微信的Top Stories上，影响着数百万用户。

在未来，我们将探索更有效的奖励和复杂的分层强化学习框架，我们将进一步实验offpolicy来进行更好的探索。