Méthode de sélection de caractéristiques causales pour les bandits à plusieurs bras contextuels dans les systèmes de recommandation
Author
Venue
ACM RecSys CONSEQUENCES (non archivé) 2024
Abstract
Les caractéristiques (ou contexte) sont essentielles à la performance des bandits à plusieurs bras (MAB) contextuels. Dans la pratique des systèmes en ligne à grande échelle, il est important de sélectionner et de mettre en œuvre les caractéristiques importantes pour le modèle : l'absence de caractéristiques importantes peut conduire à un résultat de récompense sous-optimal, et l'inclusion de caractéristiques non pertinentes peut entraîner un surapprentissage, une mauvaise interprétabilité du modèle et des coûts de mise en œuvre. Cependant, les méthodes de sélection de caractéristiques pour les modèles d'apprentissage automatique conventionnels ne sont pas adaptées aux cas d'utilisation des MAB contextuels, car les méthodes conventionnelles sélectionnent des caractéristiques corrélées à la variable de résultat, mais ne prennent pas nécessairement en compte l'effet de traitement hétérogène entre les bras, qui est pourtant essentiel pour les MAB contextuels. Dans cet article, nous présentons des méthodes de sélection de caractéristiques sans modèle, conçues pour le problème des MAB contextuels, basées sur l'effet causal hétérogène apporté par la caractéristique à la distribution des récompenses. Une évaluation empirique est menée à partir de données synthétiques ainsi que de données réelles issues d'une expérience en ligne visant à optimiser l'image de couverture du contenu dans un système de recommandation. Les résultats montrent que cette méthode de sélection de caractéristiques sélectionne efficacement les caractéristiques importantes qui conduisent à une récompense MAB contextuelle plus élevée que les caractéristiques sans importance. Par rapport à la méthode intégrée au modèle, cette méthode sans modèle présente l'avantage d'une vitesse de calcul rapide, d'une facilité de mise en œuvre et d'une réduction des problèmes de spécification erronée du modèle.
