Causale kenmerkselectiemethode voor contextuele multi-armed bandits in aanbevelingssystemen
Author
Venue
ACM RecSys CONSEQUENCES (niet-archief) 2024
Abstract
Kenmerken (ook wel context genoemd) zijn cruciaal voor de prestaties van contextuele multi-armed bandits (MAB). In de praktijk van grootschalige online systemen is het belangrijk om belangrijke kenmerken voor het model te selecteren en te implementeren: het ontbreken van belangrijke kenmerken kan leiden tot suboptimale beloningsresultaten, en het opnemen van irrelevante kenmerken kan leiden tot overfitting, slechte interpreteerbaarheid van het model en hoge implementatiekosten. De methoden voor kenmerkselectie voor conventionele machine learning-modellen schieten echter tekort voor contextuele MAB-toepassingen, aangezien conventionele methoden kenmerken selecteren die gecorreleerd zijn met de uitkomstvariabele, maar niet noodzakelijkerwijs een heterogeen behandelingseffect veroorzaken tussen de armen, wat echt belangrijk is voor contextuele MAB. In dit artikel introduceren we modelvrije methoden voor kenmerkselectie die zijn ontworpen voor het contextuele MAB-probleem, gebaseerd op het heterogene causale effect dat het kenmerk bijdraagt aan de beloningsverdeling. Er wordt een empirische evaluatie uitgevoerd op basis van zowel synthetische gegevens als echte gegevens uit een online experiment voor het optimaliseren van de omslagafbeelding van content in een aanbevelingssysteem. De resultaten tonen aan dat deze methode voor kenmerkselectie effectief de belangrijke kenmerken selecteert die leiden tot een hogere contextuele MAB-beloning dan onbelangrijke kenmerken. In vergelijking met de in het model ingebedde methode heeft deze modelvrije methode het voordeel van een hoge rekenkracht, eenvoudige implementatie en het wegwerken van problemen met verkeerde modelspecificaties.
