Método de seleção de características causais para bandidos de múltiplos braços contextuais em sistemas de recomendação
Author
Venue
ACM RecSys CONSEQUENCES (não arquivado) 2024
Abstract
As características (também conhecidas como contexto) são fundamentais para o desempenho dos bandidos de múltiplos braços (MAB) contextuais. Na prática de sistemas online em grande escala, é importante selecionar e implementar características relevantes para o modelo: a ausência de características importantes pode levar a resultados de recompensa subótimos, e a inclusão de características irrelevantes pode causar sobreajuste, baixa interpretabilidade do modelo e custos de implementação. No entanto, os métodos de seleção de características para modelos convencionais de aprendizado de máquina não são suficientes para casos de uso de MAB contextual, pois os métodos convencionais selecionam características correlacionadas com a variável de resultado, mas não necessariamente causam um efeito de tratamento heterogêneo entre os braços, o que é realmente importante para o MAB contextual. Neste artigo, apresentamos métodos de seleção de características sem modelo, projetados para o problema de MAB contextual, com base no efeito causal heterogêneo contribuído pela característica para a distribuição de recompensas. A avaliação empírica é conduzida com base em dados sintéticos, bem como em dados reais de um experimento online para otimizar a imagem de capa de conteúdo em um sistema de recomendação. Os resultados mostram que este método de seleção de características seleciona efetivamente as características importantes que levam a uma recompensa de MAB contextual mais alta do que as características sem importância. Em comparação com o método incorporado ao modelo, este método livre de modelo tem a vantagem de velocidade de computação rápida, facilidade de implementação e eliminação de problemas de especificação incorreta do modelo.
