Google开源推荐系统模拟平台RecSim

Google现在于GitHub开源可配置推荐系统模拟平台RecSim，让用户编写与使用者进行顺序互动的推荐系统模拟环境，突破当前增强学习应用于推荐系统，在顺序互动式推荐的障碍。

Google提到，机器学习、语音辨识和自然语言处理等技术，正改变使用者与推荐系统互动的方法，在线上服务加入协同互动式推荐器（Collaborative Interactive Recommenders，CIRs），已经成为提升用户满意度的重要方法，不过，到目前为止，CIR系统的部署仍不普及。

虽然增强学习是解决顺序决策问题的标准机器学习方法，但是CIR的研究与实作仍在发展中，Google指出，主要的障碍在于缺乏用于顺序推荐器的通用模拟平台，因为模拟是要将增强学习算法用于诸如机器人等实际应用的主要方法。

为此，Google开发了可配置平台RecSim，让使用者能够编写模拟环境，促进像是CIR等推荐系统的增强学习算法研究。RecSim可让研究人员合成推荐设定，测试现存增强学习算法的限制。Google提到，RecSim的目标是要来模拟真实推荐系统中用户的特定行为，并作为一个受控的环境，让开发者开发、评估和比较推荐模型和算法。

由于RecSim是一个开源平台，Google期望能够借此促进增强学习和推荐系统的交叉研究，鼓励研究的重现与模型共享，也能让使用者在模拟环境快速测试并修正模型与算法，省去真正对终端使用者进行试验的潜在成本。另外，RecSim还能在不泄漏使用者隐私的情况下，以真实的用户行为作为学术与产业合作的资源。

Google仍在持续开发数项RecSim重要的扩充套件，包括让程式化使用者模型（Stylized User Model）应用实际使用日志，解决模拟到真实环境的差异，以及应用TensorFlow加速器和分散式运算，来扩大模拟与推测算法执行。Google希望透过RecSim弥补推荐系统和增强学习研究的差距。