Data Science
추천 시스템에서 문맥 기반 다중 팔 밴디트를 위한 인과적 특징 선택 방법
Author
Venue
ACM RecSys CONSEQUENCES (비아카이브) 2024
Abstract
특징(일명 컨텍스트)은 컨텍스트 기반 다중 팔 밴디트(MAB)의 성능에 결정적인 역할을 합니다. 대규모 온라인 시스템의 실제 운영에서는 모델에 중요한 특징을 선별하고 구현하는 것이 중요합니다. 중요한 특징을 누락하면 보상이 최적화되지 않을 수 있으며, 관련 없는 특징을 포함하면 과적합, 모델 해석성 저하, 구현 비용 증가를 초래할 수 있습니다. 그러나 기존 머신러닝 모델을 위한 특징 선택 방법은 문맥 기반 MAB 사용 사례에 적합하지 않다. 기존 방법은 결과 변수와 상관관계가 있는 특징을 선택하지만, 문맥 기반 MAB에 진정으로 중요한 팔(arm) 간 이질적인 처치 효과를 반드시 유발하는 특징을 선택하지는 않기 때문이다. 본 논문에서는 특징이 보상 분포에 기여하는 이질적인 인과 효과를 기반으로, 문맥 기반 MAB 문제를 위해 설계된 모델 자유형 특징 선택 방법을 소개한다. 실증적 평가는 합성 데이터와 추천 시스템의 콘텐츠 표지 이미지 최적화를 위한 온라인 실험의 실제 데이터를 기반으로 수행되었다. 그 결과, 본 특징 선택 기법은 중요하지 않은 특징보다 맥락적 MAB 보상을 높이는 중요한 특징을 효과적으로 선별하는 것으로 나타났다. 모델 내장 방식과 비교할 때, 이 모델 프리 방식은 빠른 계산 속도, 구현의 용이성, 그리고 모델 사양 오류 문제의 제거라는 장점을 갖는다.
