序列推荐SRS & 交互式推荐IRS & 对话推荐CRS 以及建模为MDP后的区别

序列推荐

1. SRS：通过用户历史交互数据预测用户下一个要点击的物品。history interaction -> recommend the next item
2. 如GRU4Rec，将用户点击过的物品一个一个输入模型，预测下一个要点击的物品。
3. 属于one-step prediction

交互式推荐

1. IRS：是循环推荐，收集反馈的过程
2. 多步决策过程：1）推荐一个列表；2）收集用户对于该推荐的反馈。然后往复循环这两个步骤。
3. 属于multi-step interaction

对话推荐

1. CRS：① IRS可以视为 CRSs 的一种早期雏形，CRSs 引入了更多的交互模式，其核心任务是关注如何问问题，即什么时候问问题，什么时候做推荐。
2. 例如，其可以主动问用户问题，例如问关于商品属性的问题：“你喜欢什么样颜色的手机？”“你喜欢关于摇滚类乐曲吗？”丰富的交互模式克服了交互式推荐系统的三个问题，用更高效的方式来进行交互，从而快速获得用户的兴趣爱好，在信心比较充足的情况下，才作出推荐。

建模为MDP过程的SRS与IRS是一样的吗？

先说结论：可以！ 原因如下：

1. 二者的核心区别在于SRS是离线模型，IRS是在线策略，即前者只推荐一次，后者需要循环推荐。
2. 离线模型：模型在一系列静态的历史数据上学习，可以当成单点学（传统推荐）或者序列学（SRS），不过都是静态的学，最后在test data上进行测试。
3. 交互式学习：需要不断提供反馈，因此是一个动态的过程。
4. 举个栗子：我们想给用户推荐一双臭袜子，但是用户并没有买过（没有历史数据），那要如何评价推荐的好坏呢（evaluation）？对于离线/静态模型，通常是求precision和recall指标，也就是看该用户之前买过的商品和推荐的商品有多少是重合的。那在这种情况下，就没有办法评估啦！但是交互式模型会提供一个反馈（reward），如rating，这样我们就可以知道推荐的商品用户是否满意啦~ 不过这就有了一个问题，用户没有买过这个商品，我们却需要他的评分，该怎么办呢？通常，我们会建立一个environment simulator，专门做这个事情！感兴趣的同学可以去搜搜相关论文哈
5. 因此，将序列推荐和交互式推荐都建模为MDP后，相当于都引入了反馈机制（reward），也都需要不停推荐，因此二者这个时候就是一样的啦。