强化学习如何用于推荐？新南威尔士首篇《深度强化学习推荐系统》综述论文，32页pdf135篇参考文献

【导读】首篇深度强化学习推荐系统综述论文，值的关注!

摘要

鉴于深度强化学习(DRL)在推荐系统研究中的出现，以及近年来取得的丰硕成果，本研究旨在对深度强化学习在推荐系统中的最新发展趋势提供一个及时而全面的概述。我们从在推荐系统中应用DRL的动机开始。然后，我们给出了当前基于DRL的推荐系统的分类，并对现有的方法进行了总结。我们讨论新出现的话题和未决的问题，并提供我们推进该领域的观点。本综述为来自学术界和工业界的读者提供了入门材料，并确定了进一步研究的显著机会。

引言

近年来，推荐技术有了长足的发展，从传统的协同过滤、基于内容的推荐、矩阵分解等推荐技术[62]，到基于深度学习的推荐技术。特别是深度学习在解决复杂任务和处理复杂数据方面具有很强的优势，因为深度学习能够捕捉非线性的用户-项目关系，能够处理图像、文本等各种类型的数据源。因此，它在推荐系统中得到了越来越多的应用。由于分布的变化，基于深度学习的推荐系统在捕获兴趣动态方面存在局限性[17,115]，即训练阶段基于现有的数据集，这可能不能反映真实的用户喜好，而用户的喜好变化很快。而深度强化学习(deep reinforcement learning, DRL)的目标是将深度学习和强化学习的力量结合起来，训练出一种能够从环境提供的交互轨迹中学习的agent。由于DRL中的agent可以主动从用户的实时反馈中学习，从而推断出用户的动态偏好，因此DRL特别适合于从交互中学习，如人-机器人协作; 它还推动了一系列互动应用的显著进步，从视频游戏、Alpha Go到自动驾驶[3]。鉴于DRL对推荐系统的重要性和最近的进展，我们旨在在本次综述中及时总结和评论基于DRL的推荐系统。

最近的一项基于强化学习的推荐系统[2]综述了推荐系统中的强化学习，但没有对日益增长的深度强化学习领域进行复杂的研究。我们综述重点在于系统全面地概述了基于DRL的推荐系统中的现有方法，并讨论了新出现的主题、未决问题和未来的方向。这项综述介绍了研究人员，实践者和教育工作者到这个主题，并促进了对该领域的关键技术的理解。

这项综述的主要贡献包括:

• 我们提供关于推荐系统中深度强化学习的最新综合综述，具有最先进的技术和指向核心参考文献的指针。据我们所知，这是基于深度强化学习的推荐系统的第一个全面综述。

• 我们给出了推荐系统中深度强化学习的文献分类。在概述分类和文献综述的同时，我们讨论了其优缺点，并对未来的研究方向提出了建议。

• 我们阐明了基于DRL的推荐系统的新兴主题和开放问题。我们还指出了未来发展方向，这对推进基于DRL的推荐系统至关重要。

本综述的其余部分组织如下: 第2节概述了推荐系统、DRL及其集成。第3节提供了一个分类和分类机制的文献综述。第4节回顾了出现的话题，第5节指出了未解决的问题。最后，第6节为这一领域的进一步发展提供了一些有前景的未来方向。