शिफारस प्रणालीतील संदर्भानुरूप बहु-हाती बँडिट्ससाठी कारणीभूत वैशिष्ट्य निवड पद्धत
Author
Venue
ACM RecSys परिणामां (गैर-संग्रहणीय) २०२४
Abstract
वैशिष्ट्ये (ज्याला संदर्भ असेही म्हणतात) संदर्भात्मक बहु-शाखीय बँडिट्स (MAB) च्या कामगिरीसाठी अत्यंत महत्त्वाची आहेत. मोठ्या प्रमाणावरच्या ऑनलाइन प्रणालीच्या व्यवहारात मॉडेलसाठी महत्त्वाची वैशिष्ट्ये निवडणे आणि अंमलबजावणी करणे आवश्यक आहे: महत्त्वाची वैशिष्ट्ये गहाळ झाल्यास अपर्याप्त बक्षीस मिळू शकते, तर अप्रासंगिक वैशिष्ट्ये समाविष्ट केल्यास ओव्हरफिटिंग, मॉडेलची कमी समजावणीक्षमता आणि अंमलबजावणी खर्च वाढू शकतो. तथापि, पारंपारिक मशीन लर्निंग मॉडेल्ससाठीची वैशिष्ट्य निवड पद्धती (feature selection methods) संदर्भात्मक MAB वापर प्रकरणांसाठी अपुरी ठरते, कारण पारंपारिक पद्धती परिणाम चर (outcome variable) शी संबंधित वैशिष्ट्ये निवडतात, परंतु ती वैशिष्ट्ये बाहू (arms) दरम्यान असमान उपचार परिणाम (heterogeneous treatment effect) निर्माण करतातच असे नाही, जे संदर्भात्मक MAB साठी खरोखरच महत्त्वाचे असते. या पेपरमध्ये, आम्ही संदर्भात्मक MAB समस्येसाठी डिझाइन केलेल्या मॉडेल-मुक्त वैशिष्ट्य निवड पद्धती सादर करतो, ज्या वैशिष्ट्यामुळे बक्षीस वितरणात (reward distribution) होणाऱ्या असमान कारणात्मक परिणामावर (heterogeneous causal effect) आधारित आहेत. शिफारस प्रणालीमध्ये सामग्री कव्हर प्रतिमा अनुकूलित करण्यासाठी एका ऑनलाइन प्रयोगातून मिळालेल्या वास्तविक डेटा तसेच कृत्रिम डेटावर आधारित अनुभवजन्य मूल्यांकन केले गेले आहे. निकालांनुसार, ही वैशिष्ट्य निवड पद्धत महत्त्वाची वैशिष्ट्ये प्रभावीपणे निवडते, जी महत्त्वाहीन वैशिष्ट्यांच्या तुलनेत उच्च संदर्भात्मक MAB बक्षीस मिळवून देतात. मॉडेल एम्बेडेड पद्धतीच्या तुलनेत, या मॉडेल-मुक्त पद्धतीचे जलद संगणन गती, अंमलबजावणीची सोय आणि मॉडेलच्या चुकीच्या विनिर्देशनाच्या समस्या कमी होण्याचे फायदे आहेत.
