Исследователи AI VK предложили объединить ALS и Monte Carlo Tree Search для матричной факторизации с планированием.
Мы обратили внимание на исследование команды AI VK, в котором предложено объединить алгоритм ALS и Monte Carlo Tree Search для матричной факторизации. Новый подход учитывает, как каждая рекомендация повлияет на профиль пользователя и будущие показы, а не просто подбирает ближайшие айтемы.
Традиционная матричная факторизация выбирает top-K элементов на основе текущей близости эмбеддингов. Авторы рассматривают процесс рекомендаций как RL-среду:
- состояние — эмбеддинг пользователя;
- действие — показ айтема;
- награда — близость к релевантным объектам;
- переход — обновление эмбеддинга по формулам ALS в оптимистичной среде.
Эксперименты на датасетах MovieLens-1M, KuaiRec, Yambda и VK-LSVD зафиксировали прирост относительно статического top-K. На отдельных срезах VK-LSVD метрика Recall@10 выросла примерно в 1,5 раза.
Ещё новости:
