Metodo di selezione causale delle caratteristiche per banditi multi-braccio contestuali nei sistemi di raccomandazione
Author
Venue
ACM RecSys CONSEQUENCES (non archiviabile) 2024
Abstract
Le caratteristiche (ovvero il contesto) sono fondamentali per le prestazioni dei banditi a più bracci (MAB) contestuali. Nella pratica dei sistemi online su larga scala, è importante selezionare e implementare caratteristiche rilevanti per il modello: la mancanza di caratteristiche importanti può portare a risultati di ricompensa subottimali, mentre l'inclusione di caratteristiche irrilevanti può causare overfitting, scarsa interpretabilità del modello e costi di implementazione. Tuttavia, i metodi di selezione delle caratteristiche per i modelli di machine learning convenzionali non sono all'altezza dei casi d'uso del MAB contestuale, poiché i metodi convenzionali selezionano caratteristiche correlate alla variabile di risultato, ma non causano necessariamente un effetto di trattamento eterogeneo tra i bracci, che è veramente importante per il MAB contestuale. In questo articolo, introduciamo metodi di selezione delle caratteristiche senza modello progettati per il problema del MAB contestuale, basati sull'effetto causale eterogeneo contribuito dalla caratteristica alla distribuzione della ricompensa. La valutazione empirica viene condotta sulla base di dati sintetici e di dati reali provenienti da un esperimento online per l'ottimizzazione dell'immagine di copertina dei contenuti in un sistema di raccomandazione. I risultati mostrano che questo metodo di selezione delle caratteristiche seleziona efficacemente le caratteristiche importanti che portano a una ricompensa MAB contestuale più elevata rispetto alle caratteristiche non importanti. Rispetto al metodo basato su modelli incorporati, questo metodo senza modelli presenta il vantaggio di una velocità di calcolo elevata, di una facile implementazione e dell'eliminazione dei problemi di errata specificazione del modello.
