知识卡片
LinUCB与DRN探索
传统多臂老虎机无法引入用户与上下文信息,LinUCB用线性模型加上下文特征解决这一问题。它把老虎机回报建模为特征向量与参数的线性函数,用岭回归学习参数,并沿用UCB思路把预测标准差作为探索分值,α控制探索力度,因此能针对用户与场景做个性化探索。但其成立前提是模型为线性,深度学习模型难以严格推导预测标准差,理论框架不再自洽。DRN给出另一条路:对已训练网络参数加一个小随机扰动得到探索网络,用实时反馈决定保留探索网络还是原网络。这种与模型结构无关的非启发式方法适用于任何深度学习模型,参数扰动自然带来推荐结果的变化与内容探索。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 多角度审视推荐系统 · 查看原书依据
可以看出,DRN 对于深度学习模型的探索过程是非启发式的,但这种与模型结构无关的方法也使 DRN 中的模型探索方式适用于任何深度学习模型。它有效地把探索与利用的思想与深度学习模型结合起来,通过对模型参数随机扰动的方法探索式地优化模型。
参考来源
- 位置:《深度学习推荐系统》第5章 多角度审视推荐系统(源文件:extracted/深度学习推荐系统/_epub-src/text/part0009_split_007.html)
- 结论依据:原文说明LinUCB的线性前提与预测标准差局限,并给出DRN参数扰动探索深度学习模型的做法。
- 原始内容:可以看出,DRN 对于深度学习模型的探索过程是非启发式的,但这种与模型结构无关的方法也使 DRN 中的模型探索方式适用于任何深度学习模型。它有效地把探索与利用的思想与深度学习模型结合起来,通过对模型参数随机扰动的方法探索式地优化模型。