Metoda selekcji cech przyczynowych dla kontekstowych bandytów wieloramiennych w systemie rekomendacji
Author
Venue
ACM RecSys CONSEQUENCES (niearchiwalne) 2024
Abstract
Cechy (zwane również kontekstem) mają kluczowe znaczenie dla wydajności kontekstowych modeli typu multi-armed bandits (MAB). W praktyce stosowania systemów internetowych na dużą skalę ważne jest, aby wybrać i wdrożyć istotne cechy dla modelu: pominięcie ważnych cech może prowadzić do nieoptymalnych wyników w zakresie nagród, a uwzględnienie nieistotnych cech może powodować nadmierne dopasowanie, słabą interpretowalność modelu oraz wysokie koszty wdrożenia. Jednak metody wyboru cech dla konwencjonalnych modeli uczenia maszynowego nie sprawdzają się w kontekstowych przypadkach użycia MAB, ponieważ konwencjonalne metody wybierają cechy skorelowane ze zmienną wynikową, ale niekoniecznie powodujące heterogeniczny efekt leczenia wśród ramion, co jest naprawdę ważne dla kontekstowego MAB. W niniejszym artykule przedstawiamy bezmodelowe metody wyboru cech zaprojektowane dla kontekstowego problemu MAB, oparte na heterogenicznym efekcie przyczynowym, jaki cecha wnosi do rozkładu nagród. Ocenę empiryczną przeprowadzono w oparciu o dane syntetyczne, a także rzeczywiste dane z eksperymentu online dotyczącego optymalizacji obrazu okładki treści w systemie rekomendacji. Wyniki pokazują, że ta metoda selekcji cech skutecznie wybiera ważne cechy, które prowadzą do wyższej nagrody kontekstowego MAB niż cechy nieistotne. W porównaniu z metodą opartą na modelu, ta metoda bezmodelowa ma zalety w postaci dużej szybkości obliczeń, łatwości wdrożenia oraz eliminacji problemów związanych z błędną specyfikacją modelu.
