সুপারিশকারী ব্যবস্থায় প্রাসঙ্গিক মাল্টি-আর্মড ব্যান্ডিটদের জন্য কারণভিত্তিক বৈশিষ্ট্য নির্বাচন পদ্ধতি
Author
Venue
ACM RecSys CONSEQUENCES (অ-আর্কাইভাল) 2024
Abstract
ফিচারসমূহ (অর্থাৎ প্রসঙ্গ) প্রসঙ্গভিত্তিক মাল্টি-আর্মড ব্যান্ডিট (MAB) কর্মক্ষমতার জন্য অত্যন্ত গুরুত্বপূর্ণ। বৃহৎ পরিসরের অনলাইন সিস্টেমের অনুশীলনে, মডেলের জন্য গুরুত্বপূর্ণ ফিচার নির্বাচন ও বাস্তবায়ন করা গুরুত্বপূর্ণ: গুরুত্বপূর্ণ ফিচার অনুপস্থিতি অনুকূল নয় এমন পুরস্কার ফলাফলের দিকে নিয়ে যেতে পারে, এবং অপ্রাসঙ্গিক ফিচার অন্তর্ভুক্তি ওভারফিটिंग, মডেলের ব্যাখ্যামূলক দুর্বলতা এবং বাস্তবায়ন খরচ বাড়াতে পারে। তবে, প্রচলিত মেশিন লার্নিং মডেলের বৈশিষ্ট্য নির্বাচন পদ্ধতিগুলো প্রাসঙ্গিক MAB ব্যবহার ক্ষেত্রে অকার্যকর, কারণ প্রচলিত পদ্ধতিগুলো ফলাফল ভেরিয়েবল (outcome variable) এর সাথে সম্পর্কিত বৈশিষ্ট্য নির্বাচন করে, কিন্তু বাহুগুলোর মধ্যে ভিন্ন ভিন্ন চিকিৎসা প্রভাব (heterogeneous treatment effect) সৃষ্টি করে এমন বৈশিষ্ট্য নির্বাচন করে না, যা প্রকৃতপক্ষে প্রাসঙ্গিক MAB-এর জন্য গুরুত্বপূর্ণ। এই প্রবন্ধে, আমরা প্রাসঙ্গিক MAB সমস্যার জন্য মডেল-মুক্ত বৈশিষ্ট্য নির্বাচন পদ্ধতি উপস্থাপন করছি, যা বৈশিষ্ট্য দ্বারা পুরস্কার বণ্টনে (reward distribution) অবদানকৃত ভিন্ন ভিন্ন কারণগত প্রভাবের (heterogeneous causal effect) উপর ভিত্তি করে। প্রস্তুতকৃত ডেটা এবং একটি রিকমেন্ডার সিস্টেমে কন্টেন্ট কভার ইমেজ অপ্টিমাইজ করার জন্য একটি অনলাইন পরীক্ষার বাস্তব ডেটার উপর ভিত্তি করে অভিজ্ঞতাভিত্তিক মূল্যায়ন করা হয়েছে। ফলাফলগুলি দেখায় যে এই বৈশিষ্ট্য নির্বাচন পদ্ধতিটি অপ্রাসঙ্গিক বৈশিষ্ট্যগুলির তুলনায় উচ্চতর প্রাসঙ্গিক MAB পুরস্কারে নেতৃত্ব দেয় এমন গুরুত্বপূর্ণ বৈশিষ্ট্যগুলিকে কার্যকরভাবে নির্বাচন করে। মডেল এমবেডেড পদ্ধতির তুলনায়, এই মডেল-মুক্ত পদ্ধতির দ্রুত গণনামূলক গতি, বাস্তবায়নের সহজতা এবং মডেলের ভুল-নির্ধারণজনিত সমস্যা হ্রাসের সুবিধা রয়েছে।
