recsim

RecSim: แพลตฟอร์มการจำลองระบบผู้แนะนำที่กำหนดค่าได้

RecSim เป็นแพลตฟอร์มที่กำหนดค่าได้สำหรับการสร้างสภาพแวดล้อมการจำลองสำหรับระบบผู้แนะนำ (RS) ที่รองรับ การโต้ตอบตามลำดับ กับผู้ใช้ RecSim ช่วยให้สามารถสร้างสภาพแวดล้อมใหม่ที่สะท้อนถึงลักษณะเฉพาะของพฤติกรรมผู้ใช้และโครงสร้างรายการในระดับนามธรรมที่เหมาะสมอย่างยิ่งในการผลักดันขีดจำกัดของการเรียนรู้แบบเสริมกำลัง (RL) และเทคนิค RS ในปัจจุบันในปัญหาการแนะนำเชิงโต้ตอบตามลำดับ สามารถกำหนดค่าสภาพแวดล้อมได้อย่างง่ายดายซึ่งแตกต่างกันไปตามสมมติฐานเกี่ยวกับ: การกำหนดค่าตามความชอบของผู้ใช้และความคุ้นเคยของรายการ สถานะแฝงของผู้ใช้และพลวัตของมัน และรูปแบบการเลือกและพฤติกรรมการตอบสนองของผู้ใช้อื่นๆ เราสรุปวิธีที่ RecSim มอบคุณค่าให้กับนักวิจัยและผู้ปฏิบัติงานของ RL และ RS และวิธีที่ RecSim สามารถทำหน้าที่เป็นเครื่องมือสำหรับการทำงานร่วมกันทางวิชาการและอุตสาหกรรม สำหรับคำอธิบายโดยละเอียดของสถาปัตยกรรม RecSim โปรดอ่าน Ie et al โปรดอ้างอิงบทความนี้หากคุณใช้โค้ดจากแหล่งเก็บข้อมูลนี้ในงานของคุณ

บิบเท็กซ์

 @article{ie2019recsim,
    title={RecSim: A Configurable Simulation Platform for Recommender Systems},
    author={Eugene Ie and Chih-wei Hsu and Martin Mladenov and Vihan Jain and Sanmit Narvekar and Jing Wang and Rui Wu and Craig Boutilier},
    year={2019},
    eprint={1909.04847},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

ข้อสงวนสิทธิ์

นี่ไม่ใช่ผลิตภัณฑ์ของ Google ที่ได้รับการสนับสนุนอย่างเป็นทางการ

มีอะไรใหม่

• 13/12/2019: เพิ่มคลาส (นามธรรม) สำหรับทั้งสภาพแวดล้อมและเอเจนต์ที่มีผู้ใช้หลายราย เพิ่มอัลกอริธึมโจรสำหรับโมเดลเชิงเส้นทั่วไป

การติดตั้งและการใช้งานตัวอย่าง

ขอแนะนำให้ติดตั้ง RecSim โดยใช้ (https://pypi.org/project/recsim/):

pip install recsim

อย่างไรก็ตาม Dopamine เวอร์ชันล่าสุดไม่อยู่ใน PyPI ณ เดือนธันวาคม 2019 เราต้องการติดตั้งเวอร์ชันล่าสุดจากพื้นที่เก็บข้อมูลของ Dopamine ดังต่อไปนี้ก่อนที่เราจะติดตั้ง RecSim โปรดทราบว่า Dopamine ต้องการ Tensorflow 1.15.0 ซึ่งเป็นรุ่น 1.x สุดท้าย รวมถึงรองรับ GPU สำหรับ Ubuntu และ Windows

 pip install git+https://github.com/google/dopamine.git

ต่อไปนี้คือคำสั่งตัวอย่างบางส่วนที่คุณสามารถใช้เพื่อทดสอบการติดตั้ง:

 git clone https://github.com/google-research/recsim
cd recsim/recsim
python main.py --logtostderr 
  --base_dir="/tmp/recsim/interest_exploration_full_slate_q" 
  --agent_name=full_slate_q 
  --environment_name=interest_exploration 
  --episode_log_file='episode_logs.tfrecord' 
  --gin_bindings=simulator.runner_lib.Runner.max_steps_per_episode=100 
  --gin_bindings=simulator.runner_lib.TrainRunner.num_iterations=10 
  --gin_bindings=simulator.runner_lib.TrainRunner.max_training_steps=100 
  --gin_bindings=simulator.runner_lib.EvalRunner.max_eval_episodes=5

จากนั้นคุณสามารถเริ่มเทนเซอร์บอร์ดและดูผลลัพธ์ได้

 tensorboard --logdir=/tmp/recsim/interest_exploration_full_slate_q/ --port=2222

คุณยังสามารถค้นหาบันทึกจำลองได้ใน /tmp/recsim/episode_logs.tfrecord

บทช่วยสอน

หากต้องการเริ่มต้น โปรดดูบทแนะนำ Colab ของเรา ใน RecSim: ภาพรวม เราจะให้ภาพรวมโดยย่อเกี่ยวกับ RecSim จากนั้นเราจะพูดถึงองค์ประกอบที่สามารถกำหนดค่าได้แต่ละรายการ: สภาพแวดล้อม และ ตัวแทนผู้แนะนำ

เอกสารประกอบ

โปรดดูเอกสารไวท์เปเปอร์สำหรับการออกแบบระดับสูง