TỐI ƯU HÓA HIỆU SUẤT HỆ THỐNG GỢI Ý ĐỘNG TRONG MÔI TRƯỜNG DỮ LIỆU LỚN BẰNG HỌC TĂNG CƯỜNG VÀ KỸ THUẬT GIẢM CHIỀU SÂU

Tóm tắt

Bài báo này đề xuất một khuôn khổ lai để cải thiện tính ổn định và hiệu quả tính toán. Chúng
tôi kết hợp kỹ thuật Giảm chiều sâu sử dụng Autoencoder để nén ma trận thưa thớt thành không gian đặc
trưng mật độ thấp, giảm đáng kể tải tính toán. Sau đó, chúng tôi mô hình hóa quy trình đề xuất thời gian
thực dưới dạng Quy trình quyết định Markov (MDP) và áp dụng thuật toán Học tăng cường (RL), cụ thể
là Mạng Q sâu (DQN), để học các chính sách tối ưu hóa phần thưởng tương tác của người dùng. Kết quả
thử nghiệm trên các tập dữ liệu quy mô lớn (ví dụ: MovieLens 20M) chứng minh rằng phương pháp này
không chỉ giảm độ trễ xử lý 40% (từ 150ms xuống 90ms) mà còn đồng thời cải thiện độ chính xác đề xuất
(độ chính xác và độ thu hồi) 12% so với các mô hình cơ sở.