Resumen

Recientemente, la aplicacin del aprendizaje profundo por refuerzo en el sistema de recomendacin est floreciendo y destaca por superar los inconvenientes de los mtodos tradicionales y lograr una alta calidad de recomendacin. Se han resuelto eficazmente los problemas de dinmica, rendimiento a largo plazo y datos dispersos en el sistema de recomendacin. Pero la aplicacin del aprendizaje profundo por refuerzo conlleva problemas de interpretabilidad, sobreajuste, diseo complejo de la funcin de recompensa e inicio en fro del usuario. Este estudio propone un sistema de recomendacin basado en el aprendizaje por refuerzo profundo sin diseo de funciones complejas, aprovechando las etiquetas para compensar los problemas de interpretabilidad existentes en el sistema de recomendacin. Nuestro experimento se lleva a cabo sobre el conjunto de datos MovieLens. El resultado muestra que el sistema de recomendacin basado en DRL es superior a los algoritmos tradicionales en cuanto a error mnimo, y la aplicacin de etiquetas tiene poco efecto sobre la precisin al compensar la interpretabilidad. Adems, el sistema de recomendacin basado en DRL tiene un rendimiento excelente en problemas de arranque en fro del usuario.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Aprendizaje profundo por refuerzo; Sistema de recomendación; Métodos tradicionales; Interpretabilidad; Sobreajuste; Arranque en frío del usuario.
• Keywords:Deep reinforcement learning; Recommender system; Traditional methods; Interpretability; Overfitting; User cold start