281
个编辑
更改
跳到导航
跳到搜索
第660行：
第660行： − +
→推荐系统中的策略优化
}}</ref>提供了强化学习在推荐系统中的应用，具体思路流程见右图所示。
}}</ref>提供了强化学习在推荐系统中的应用，具体思路流程见右图所示。
[[文件:基于强化学习的推荐系统.jpg|缩略图|基于强化学习的推荐系统，引自<ref name="recommand"></ref>]]<br>
[[文件:基于强化学习的推荐系统.jpg|缩略图|基于强化学习的推荐系统，引自<ref name="recommand"></ref>]]<br>
其中，深度Q网络（DQN）通过建模用户动态偏好和长期价值，解决了传统推荐系统面临的探索-利用困境和延迟奖励优化问题。其核心思想是将推荐视为序列决策过程：用户状态 s<sub>t</sub> 为历史交互特征，动作 a<sub>t</sub>为待推荐物品，奖励 r<sub>t</sub>为点击/转化等反馈。
其中，深度Q网络（DQN）通过建模用户动态偏好和长期价值，解决了传统推荐系统面临的探索-利用困境和延迟奖励优化问题。其核心思想是将推荐视为序列决策过程：用户状态 <math>s_{t}</math>为历史交互特征，动作 <math>a_{t} </math>为待推荐物品，奖励 <math>r_{t} </math>为点击/转化等反馈。
'''问题建模与优势'''
'''问题建模与优势'''