Основные понятия
提案されたPR4SRは、セッションベースの推薦における説明可能性を向上させ、推薦精度と説明可能性の両方を実現する。
Аннотация
本研究では、セッションベースの推薦における説明可能性を高めるためのHierarchical Reinforcement LearningフレームワークであるPR4SRが提案されました。このフレームワークは、セッション内の重要なアイテムを選択し、知識グラフ内でパス推論を行うことで説明可能な経路を提供します。さらに、多目標報酬とパス中間報酬の設計により、連続的なパス探索や効率的な知識グラフ探索が行われます。実験結果では、PR4SRが既存の手法やREKSと比較して推薦精度と説明可能性の両方で改善をもたらすことが示されました。
Статистика
PR4SRは150エポックでAmazonデータセット上でトレーニングされました。
Amazonデータセットではバッチサイズは256でTは5です。
パス長は2で最大アクション空間は200です。
Цитаты
"Therefore, although the current research work demonstrates that it is possible to provide an explainable process for recommendation through path reasoning, the current path reasoning approach is not suitable for generalization in the scenario of SR."
"Our contributions lie in three aspects: PR4SR is the first path reasoning approach that uses hierarchical reinforcement learning to provide a generalized and explainable framework for SR."
"In summary, our contributions lie in three aspects: PR4SR is the first path reasoning approach that uses hierarchical reinforcement learning to provide a generalized and explainable framework for SR."