Data Science
レコメンデーションシステムにおける文脈依存型マルチアームドバンディットのための因果的特徴選択法
Author
Venue
ACM RecSys CONSEQUENCES (非アーカイブ版) 2024
Abstract
特徴量（別名：コンテキスト）は、コンテキスト型マルチアームドバンディット（MAB）の性能にとって極めて重要です。大規模なオンラインシステムの実運用においては、モデルにとって重要な特徴量を選択し実装することが重要です。重要な特徴量が欠落していると報酬の最適化が妨げられ、無関係な特徴量を含めると過学習、モデルの解釈性の低下、実装コストの増加を招く恐れがあります。 しかし、従来の機械学習モデル向けの特徴量選択手法は、コンテキストMABのユースケースにおいては不十分である。なぜなら、従来の手法は結果変数と相関のある特徴量を選択するが、コンテキストMABにおいて真に重要な、各アーム間の異質な処置効果を引き起こす特徴量を選択するとは限らないからである。本論文では、報酬分布に対する特徴量の寄与による異質な因果効果に基づき、コンテキストMAB問題のために設計されたモデルフリーの特徴量選択手法を提案する。 実証評価は、合成データおよびレコメンダーシステムにおけるコンテンツのカバー画像を最適化するオンライン実験から得られた実データを用いて実施した。その結果、本特徴量選択手法は、重要でない特徴量よりも文脈的MABの報酬を向上させる重要な特徴量を効果的に選択することが示された。モデル組み込み型の手法と比較して、本モデルフリーの手法には、計算速度の速さ、実装の容易さ、およびモデルの誤仕様の問題を回避できるという利点がある。
