人们对利用强化学习(RL)用于信息检索(IR)应用(包括搜索、推荐和广告)非常感兴趣。仅仅在2020年，术语“强化学习”就在ACM SIGIR发表的60多篇不同的论文中被提到。据报道，谷歌和阿里巴巴等互联网公司已经开始从他们基于RL的搜索和推荐引擎中获得竞争优势。这个全天教程为没有或很少有RL经验的IR研究者和实践者提供了在实际操作设置中学习现代RL基础知识的机会。此外，还将介绍和讨论RL在IR系统中的一些代表性应用。通过参加本教程，学员将获得现代RL概念和标准算法(如REINFORCE和DQN)的良好知识。这些知识将帮助他们更好地理解一些最新的涉及RL的IR出版物，以及他们使用RL技术和工具来解决自己实际的IR问题。
目录内容：
Intro RL Basics Multi-armed Bandits Tabular Q-Learning Deep Q-Learning IR applications using DQN Policy Gradient (REINFORCE) IR applications using REINFORCE Actor-Critic IR applications using Actor-Critic Recent developments & outlook for research
成为VIP会员查看完整内容
Reinforcement Learning for Information Retrieval
相关内容
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。
强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。
该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
Arxiv
6+阅读 · 2020年11月25日
相关VIP内容
相关资讯
相关论文
Arxiv
6+阅读 · 2020年11月25日
微信扫码咨询专知VIP会员