基于深度强化学习的推荐算法论文集锦（持续更新）

嘿，记得给“机器学习与推荐算法”添加星标

---

来自 | 知乎 

作者 | Shawn

链接 | https://zhuanlan.zhihu.com/p/183958047

编辑 | 机器学习与推荐算法

前言

近年来，深度强化学习作为一个强有力的发展方向，已经在很多领域取得了不俗的成果。深度强化学习是一种寻找策略模型的优化控制方法，其通过不断与环境交互和行为反馈来提升算法训练，实现算法的自主学习，最终得到收益最大化。基于深度强化学习的推荐算法近来成为学术界的宠儿，受到大量科研人员的关注。本文提供一些基于深度强化学习的推荐算法的经典论文。论文以年份组织，并将持续更新。

1.2020年

• (NICF). Lixin Zou. Neural Interactive Collaborative Filtering, SIGIR（CCF-A）. 出自清华大学和京东合作。

2.2019年

• Exact-K Recommendation via Maximal Clique Optimization, KDD（CCF-A）, 出自阿里团队。

• Value-aware Recommendation based on Reinforcement Profit Maximization, WWW（CCF-A）, 出自阿里团队。

• Top-K Off-Policy Correction for a REINFORCE Recommender System, WSDM（CCF-B）, 出自谷歌团队。

• Generative Adversarial User Model for Reinforcement Learning Based Recommendation System, ICML(CCF-A), 出自蚂蚁金服团队。

• Hierarchical Reinforcement Learning for Course Recommendation in MOOCs. AAAI（CCF-A）, 出自中国人民大学。

3.2018年

• Reinforcement Learning to Rank in E-Commerce Search Engine: Formalization, Analysis, and Application. KDD（CCF-A）, 出自阿里团队。

• Explore, Exploit, and Explain Personalizing Explainable Recommendations with Bandits, RecSys, 出自spotify团队。

• Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning, KDD（CCF-A）, 出自密歇根州立大学和京东合作。

• A Reinforcement Learning Framework for Explainable Recommendation, ICDM（CCF-B）, 出自微软和北大合作。

• DRN: A Deep Reinforcement Learning Framework for News Recommendation, WWW（CCF-A）, 出自微软团队。

• Stabilizing Reinforcement Learning in Dynamic Environment with Application to Online Recommendation. KDD（CCF-A）, 出自阿里团队。

4.2017年

• Returning is Believing Optimizing Long-term User Engagement in Recommender Systems. CIKM（CCF-B）, 出自弗吉尼亚大学和雅虎合作。

更多论文，欢迎关注：https://github.com/hongleizhang/RSPapers

推荐阅读

知识蒸馏与推荐系统概述

一种新颖的推荐系统重训练技巧

再评Airbnb的经典Embedding论文

喜欢的话点个在看吧👇