Kausale Merkmalsauswahlmethode für kontextbezogene Multi-Armed-Bandits in Empfehlungssystemen
Author
Venue
ACM RecSys CONSEQUENCES (nicht archiviert) 2024
Abstract
Merkmale (auch bekannt als Kontext) sind entscheidend für die Leistung kontextbezogener Multi-Armed-Bandits (MAB). In der Praxis groß angelegter Online-Systeme ist es wichtig, wichtige Merkmale für das Modell auszuwählen und zu implementieren: Das Fehlen wichtiger Merkmale kann zu suboptimalen Belohnungsergebnissen führen, und die Einbeziehung irrelevanter Merkmale kann Überanpassung, schlechte Modellinterpretierbarkeit und hohe Implementierungskosten verursachen. Allerdings versagen Merkmalsauswahlmethoden für herkömmliche maschinelle Lernmodelle bei kontextuellen MAB-Anwendungsfällen, da herkömmliche Methoden Merkmale auswählen, die mit der Ergebnisvariablen korrelieren, jedoch nicht unbedingt heterogene Behandlungseffekte zwischen den Armen verursachen, was für kontextuelle MAB wirklich wichtig ist. In diesem Artikel stellen wir modellfreie Merkmalsauswahlmethoden vor, die für kontextuelle MAB-Probleme entwickelt wurden und auf dem heterogenen kausalen Effekt basieren, den das Merkmal auf die Belohnungsverteilung ausübt. Die empirische Bewertung erfolgt sowohl auf der Grundlage synthetischer Daten als auch anhand realer Daten aus einem Online-Experiment zur Optimierung von Titelbildern in einem Empfehlungssystem. Die Ergebnisse zeigen, dass diese Methode zur Merkmalsauswahl die wichtigen Merkmale, die zu einer höheren kontextbezogenen MAB-Belohnung führen, effektiver auswählt als unwichtige Merkmale. Im Vergleich zu modellintegrierten Methoden bietet diese modellfreie Methode den Vorteil einer schnellen Rechengeschwindigkeit, einer einfachen Implementierung und der Vermeidung von Problemen durch falsche Modellspezifikationen.
