Förstärkningsinlärning för rekommendationssystem – Utforskning av algoritmer och alternativa modeller för rekommendationer av bilder

Abstract

Rekommendationssystem som drivs av maskininlärning är en viktig del av många e-tjänster. De föreslår produkter, filmer, bilder och dylikt till användare i hopp om att de ska vara intressanta och driva engagemang. Att rekommendationer är välanpassade för varje användare är målet med ett rekommendationssystem och maskininlärning används i växande utsträckning för detta ändamål. Ett paradigm inom maskininlärning som visat sig högst aktuell för rekommendationssystem är förstärkningsinlärning. Forskning kring användningen av förstärkningsinlärning för rekommendationssystem är pågående och det finns rum för att experimentera. Denna uppsats presenterar olika förstärkningsinlärningsalgoritmer och modeller som formulerats, implementerats och utvärderats. De modellerna som visat sig mest lovande avviker från ett handlingsrum som innehåller alla möjliga rekommendationer och istället bedömer om en specifik rekommendation är bra eller inte. Resultaten visar att denna princip är värd att undersöka ytterligare. Värdena på hyperparametrarna och andra förutsättningar visar sig ha stor roll i hur algoritmerna presterar. Som indata till modellerna har både träningsbara inbäddningslager och resultat från faltningsnät testats. Det går inte att visa att faltningsnät presterar bättre än träningsbara inbäddningslager och ytterligare undersökning av detta rekommenderas.