Método de selección de características causales para bandidos de múltiples brazos contextuales en sistemas de recomendación
Author
Venue
ACM RecSys CONSEQUENCES (sin archivo) 2024
Abstract
Las características (también conocidas como contexto) son fundamentales para el rendimiento de los bandidos de múltiples brazos (MAB) contextuales. En la práctica de los sistemas en línea a gran escala, es importante seleccionar e implementar características relevantes para el modelo: la omisión de características importantes puede conducir a resultados de recompensa subóptimos, y la inclusión de características irrelevantes puede provocar sobreajuste, una interpretabilidad deficiente del modelo y un coste de implementación elevado. Sin embargo, los métodos de selección de características para los modelos de aprendizaje automático convencionales no dan la talla en los casos de uso de MAB contextuales, ya que los métodos convencionales seleccionan características correlacionadas con la variable de resultado, pero no necesariamente causan un efecto de tratamiento heterogéneo entre los brazos, lo cual es verdaderamente importante para el MAB contextual. En este artículo, presentamos métodos de selección de características sin modelo diseñados para el problema del MAB contextual, basados en el efecto causal heterogéneo que aporta la característica a la distribución de recompensas. La evaluación empírica se lleva a cabo basándose en datos sintéticos, así como en datos reales de un experimento en línea para optimizar la imagen de portada de contenido en un sistema de recomendación. Los resultados muestran que este método de selección de características selecciona eficazmente las características importantes que conducen a una mayor recompensa del MAB contextual que las características sin importancia. En comparación con el método integrado en el modelo, este método sin modelo tiene la ventaja de una rápida velocidad de cálculo, facilidad de implementación y la eliminación de problemas de especificación errónea del modelo.
