《DRN: A Deep Reinforcement Learning Framework for News Recommendation》

论文地址：http://www.personal.psu.edu/~gjz5038/paper/www2018_reinforceRec/www2018_reinforceRec.pdf

1.问题提出

1.在新闻推荐领域，新闻的时效性非常强，总是实时变化的，而且用户的喜好也会随着时间的推移而发生变化，目前的推荐系统只能得到当前的reward，无法解决这种动态性的问题。如图1.

2.过去我们往往以用户点击／不点击作为用户的反馈，而事实上用户的停留时长，活跃程度等也代表了用户的满意程度。

3.推荐系统总是尝试给用户推荐重复的东西，这会让用户觉得非常无聊。

图1. 用户喜欢随时间的变化

2.本文贡献

1.本文提出一种深度强化学习框架（DQN，如图2）来学习推荐的动态性，综合考虑当前的reward和未来的rewrad。

2.本文加入用户活跃度作为用户点击行为的补充，提高推荐的准确度。

3.提出一种更有效的探索方法DBGD使推荐更加多样性。

图2. DQN的系统框架图

3.参数定义

图3. 参数的定义

3.推荐过程

1.PUSH：在每个时间内（t1, t2, t3,...）当用户像系统发起一个新闻请求，推荐代理G将当前用户和新闻的候选集的特征表示作为输入，产生一个top-k的推荐列表给用户。

2.FEEDBACK：用户u接受到系统推荐的新闻列表L后，将会对此作出反馈B，比如是否点击。

3.MINOR UPDATE：在每一时刻，代理G根据先前的用户u，新闻列表L，以及用户反馈B来更新模型，具体操作是当当前的exploitation 网络Q比exploration网络更好的时候保持当前的网络不变，否则就将网络向进行转变。

4.MAJOR UPDATE：经过一定的时间后（比如t3），代理G将会根据存储在memory中的用户反馈以及用户活跃度来更新整个网络。

4.特征表示

本文一共选取了四类特征，如下：

1.新闻特征：包含417维one hot特征，描述新闻中包含的各种属性，包括标题、提供者、排序、实体名称、种类、以及一小时点击量、六小时点击量等等。

2.用户特征：主要描述用户在一小时内、六小时内、24小时内、一周内、一年内点击各种属性新闻的次数。一共413*5维。

3.用户新闻特征：这25维特征描述的是用户与某一新闻之间的交互，当前新闻的实体（包含种类，题目种类等）历史上出现在用户阅读中的次数。

4.上下文特征：一共包含32维特征，描述新闻的请求时间（hour、weekday）、新闻的新鲜程度（请求时间距离发布时间的间隔）。

5.模型描述

我们用Q值来模拟reward，定义为：

其中γ代表的是未来奖励（reward）的折扣系数。

然后采用DDQN预测t时刻动作a的整体reward：

其中 ra,t+1是因为推荐有延时，当前t的推荐需要在在一个时间t+1才能得到反馈。而t+1时刻的候选集的a'的产生是基于t时刻推荐动作为a的假设。

基于第四章提到的特征表示，我们将用户特征和上下文特征定义为status特征（可以理解为动态的，基于请求时的状态），而新闻特征和用户新闻特征定义为action特征。于是我们将Q值拆为两部分来表示，如图3。

图3. Q network

6.用户活跃度

作者认为好的推荐会在很大程度上激活用户行为，使用户的生命周期更长，本文采用生存分析作为用户活跃度的表示。用户两次打开app的间隔时间如图4所示：

图4. 用户两次打开app的时间间隔

我们可以看到用户的活跃时间符合指数分布，所以根据用户的生存分析，用户在t时刻之后返回app的概率为：

所用用户的生命周期定义为：

其中我们令t λ(t) = λ0，每次当用户在t时刻打开app的时候，我们都更新S(t)=S(t)+Sa,如图5所示：

图5. 用户活跃度

但是用户活跃度不会超过1，所以即使用户在t4-t9的时候非常的活跃，用户活跃度也不会超过1。

7.探索网络

行业内使用 ϵ-greedy 和 UCB两种算法来进行探索，但是这两种算法都有缺点，第一种思想是随机搜素一些新的项目推荐给用户，但是这样就有可能会给用户推荐毫不相关的推荐，实验证明这种方法并不能是ctr提高。第二种是给用户推荐一些历史上推荐频率较低的item，这种方法会使推荐准确度drop。本文使用Dueling Bandit Gradient Descent算法进行探索，这种算法的思想在于给用户推荐距离已推荐列表较近的一些item。框架图如图6所示。

图6. DDNQ+DBGD框架图

8.实验结果

实验数据集如图7所示。

图7. 实验数据 图8. 用户请求次数分布以及新闻推荐分布

离线效果相比较于各个模型如下，DDQN（深度强化学习框架）+U（用户活跃度）+DBGD（探索网络）是本文使用的模型。如图9所示。

图9. 模型效果

线上效果如图10所示：

图10. 线上效果

另外本文用ILS公式来评估模型的多样性：

多样性公式

其中S(bi,bj)代表两个推荐时间的相似性，很容易理解，当ILS越小的时候模型的推荐效果越好。多个模型多样性比较如图11所示。

图11. 模型ILS值

9. 结论

1.本文提出一种基于DQN深度强化学习的学习框架来实现新闻的在线个性化推荐。

2.本文将用户的活跃度作为用户点击／不点击的反馈补充。

3.提出一种有效的探索策略提高系统推荐的多样性。

4.证明线上线下的效果都要好与其他的推荐系统。