چارچوب جدید برای یادگیری متقابل عمیق (DML) برای بهبود سیستم های توصیه کننده چند وظیفه ای

نویسندگان:

(1) یی رن، تنسنت، پکن، چین ([email protected])

(2) یانگ دو، تنسنت، پکن، چین ([email protected])

(3) بن وانگ، تنسنت، پکن، چین ([email protected])

(4) Shenzheng Zhang، Tencent، پکن، چین ([email protected]).

چکیده و 1 مقدمه

  1. روش شناسی
  2. آزمایش ها
  3. نتیجه گیری و مراجع

چکیده

سیستم‌های توصیه‌گر معمولاً از روش‌های یادگیری چند وظیفه‌ای برای بهینه‌سازی همزمان چندین هدف استفاده می‌کنند، زیرا داده‌های رفتار کاربر چند وجهی دارند. روش معمولی برای انجام یادگیری چند وظیفه ای (MTL) ایجاد اشتراک پارامترهای مناسب در چندین کار در لایه های پایین تر و در عین حال رزرو برج وظیفه جداگانه برای هر کار در لایه های بالایی است. با چنین طراحی، لایه‌های پایین‌تر قصد دارند ساختار روابط وظایف را بررسی کنند و اطلاعات ارزشمندی را استخراج کنند تا توسط برج‌های وظیفه برای پیش‌بینی دقیق استفاده شود.

از آنجایی که برج‌های وظیفه تأثیر مستقیمی بر نتایج پیش‌بینی دارند، ما استدلال می‌کنیم که معماری برج‌های وظیفه مستقل برای ترویج اشتراک‌گذاری دانش مثبت نابهینه است. اول، برای هر کار، توجه به اطلاعات ورودی دیگر برج‌های وظیفه مفید است. برای مثال، اطلاعات مفید برای پیش‌بینی کار «مانند» برای کار «خرید» نیز ارزشمند است. علاوه بر این، …

Source link