複数の方策を用いた深層強化学習に基づく推薦システム

深層強化学習（DRL）に基づく推薦システムは、ユーザーのコールドスタート問題に適しており、段階的にユーザーの嗜好を捉えることができます。しかし、多くの既存のDRLベースの推薦システムは、異なるユーザーの動的特性に対応するために同一の方策を使用しているため、最適とは言えません。我々は推薦を多タスクマルコフ決定過程として再定式化し、各タスクは類似したユーザー群を表します。類似ユーザーはより近い動的特性を持つため、単一の普遍的方策よりもタスク固有の方策が効果的です。コールドスタートユーザーへの推薦では、まずデフォルト方策を用いて初期のやり取りを収集し、ユーザーのタスクを特定した後にタスク固有の方策を適用します。我々のフレームワークの最適化にはQ学習を用い、タスクに関する相互情報量によりタスク不確実性を考慮します。提案フレームワークの有効性を確認するために、三つの実世界データセットで実験を行いました。