Metode Pemilihan Fitur Kausal untuk Multi-Armed Bandits Kontekstual dalam Sistem Rekomendasi
Author
Venue
ACM RecSys CONSEQUENCES (non-arsip) 2024
Abstract
Fitur (alias konteks) sangat penting bagi kinerja bandit multi-lengan (MAB) kontekstual. Dalam praktik sistem online berskala besar, penting untuk memilih dan mengimplementasikan fitur-fitur penting untuk model: kehilangan fitur penting dapat menyebabkan hasil imbalan yang kurang optimal, dan memasukkan fitur yang tidak relevan dapat menyebabkan overfitting, interpretabilitas model yang buruk, dan biaya implementasi. Namun, metode pemilihan fitur untuk model pembelajaran mesin konvensional tidak memadai untuk kasus penggunaan MAB kontekstual, karena metode konvensional memilih fitur yang berkorelasi dengan variabel hasil, tetapi tidak selalu menyebabkan efek perlakuan heterogen di antara lengan yang sebenarnya penting untuk MAB kontekstual. Dalam makalah ini, kami memperkenalkan metode pemilihan fitur tanpa model yang dirancang untuk masalah MAB kontekstual, berdasarkan efek kausal heterogen yang disumbangkan oleh fitur terhadap distribusi imbalan. Evaluasi empiris dilakukan berdasarkan data sintetis serta data nyata dari eksperimen online untuk mengoptimalkan gambar sampul konten dalam sistem rekomendasi. Hasil menunjukkan bahwa metode seleksi fitur ini secara efektif memilih fitur-fitur penting yang menghasilkan imbalan MAB kontekstual yang lebih tinggi dibandingkan fitur-fitur yang tidak penting. Dibandingkan dengan metode yang tertanam dalam model, metode bebas model ini memiliki keunggulan dalam kecepatan komputasi yang cepat, kemudahan implementasi, dan pengurangan masalah spesifikasi model yang salah.
