अनुशंसक प्रणाली में संदर्भात्मक बहु-बाज़ुवाले बैंडिट्स के लिए कारणात्मक विशेषता चयन विधि
Author
Venue
ACM RecSys CONSEQUENCES (गैर-संग्रहणीय) 2024
Abstract
विशेषताएँ (यानी संदर्भ) संदर्भात्मक बहु-आर्म्ड बैंडिट्स (MAB) प्रदर्शन के लिए महत्वपूर्ण हैं। बड़े पैमाने पर ऑनलाइन सिस्टम के अभ्यास में, मॉडल के लिए महत्वपूर्ण विशेषताओं का चयन और कार्यान्वयन महत्वपूर्ण है: महत्वपूर्ण विशेषताओं की कमी से उप-इष्टतम पुरस्कार परिणाम हो सकते हैं, और अप्रासंगिक विशेषताओं को शामिल करने से ओवरफिटिंग, मॉडल की व्याख्या में कठिनाई, और कार्यान्वयन लागत हो सकती है। हालांकि, पारंपरिक मशीन लर्निंग मॉडल के लिए फ़ीचर चयन विधियाँ संदर्भगत MAB उपयोग मामलों के लिए अपर्याप्त हैं, क्योंकि पारंपरिक विधियाँ परिणाम चर (outcome variable) के साथ सहसंबद्ध फ़ीचर्स का चयन करती हैं, लेकिन जरूरी नहीं कि वे उन आर्म्स के बीच विषम उपचार प्रभाव (heterogeneous treatment effect) का कारण बनें जो संदर्भगत MAB के लिए वास्तव में महत्वपूर्ण हैं। इस पेपर में, हम संदर्भगत MAB समस्या के लिए डिज़ाइन की गई मॉडल-मुक्त फ़ीचर चयन विधियों को पेश करते हैं, जो फ़ीचर द्वारा पुरस्कार वितरण में योगदान किए गए विषम कारण प्रभाव (heterogeneous causal effect) पर आधारित हैं। सिफारिश प्रणाली में सामग्री कवर छवि को अनुकूलित करने के लिए एक ऑनलाइन प्रयोग से प्राप्त वास्तविक डेटा के साथ-साथ सिंथेटिक डेटा के आधार पर अनुभवजन्य मूल्यांकन किया गया है। परिणाम दिखाते हैं कि यह फ़ीचर चयन विधि महत्वपूर्ण फ़ीचर्स का प्रभावी ढंग से चयन करती है जो गैर-महत्वपूर्ण फ़ीचर्स की तुलना में उच्च संदर्भिक MAB पुरस्कार की ओर ले जाते हैं। मॉडल एम्बेडेड विधि की तुलना में, इस मॉडल-मुक्त विधि के तेज़ गणना गति, कार्यान्वयन में आसानी, और मॉडल के गलत विनिर्देशन (mis-specification) संबंधी समस्याओं को कम करने का लाभ है।
