సిఫార్సు వ్యవస్థలో సందర్భోచిత మల్టీ-ఆర్మ్డ్ బానిట్స్ కోసం కారణాత్మక ఫీచర్ ఎంపిక పద్ధతి
Author
Venue
ACM RecSys CONSEQUENCES (శాశ్వత నిల్వ కానిది) 2024
Abstract
సందర్భోచిత మల్టీ-ఆర్మ్డ్ బాండిట్స్ (MAB) పనితీరుకు ఫీచర్లు (అంటే సందర్భం) చాలా కీలకం. పెద్ద స్థాయి ఆన్లైన్ సిస్టమ్ యొక్క ఆచరణలో, మోడల్ కోసం ముఖ్యమైన ఫీచర్లను ఎంచుకోవడం మరియు అమలు చేయడం ముఖ్యం: ముఖ్యమైన ఫీచర్లు లేకపోవడం వలన తక్కువ-ఆప్టిమల్ రివార్డ్ ఫలితం రావచ్చు, మరియు అసంబద్ధమైన ఫీచర్లను చేర్చడం వలన ఓవర్ఫిట్టింగ్, పేలవమైన మోడల్ వివరణ, మరియు అమలు ఖర్చు వంటివి సంభవించవచ్చు. అయితే, సాంప్రదాయ మెషిన్ లెర్నింగ్ మోడళ్ల కోసం ఉద్దేశించిన ఫీచర్ సెలక్షన్ పద్ధతులు, కంటెక్స్చువల్ MAB వినియోగ సందర్భాలకు తగినవి కావు. ఎందుకంటే, సాంప్రదాయ పద్ధతులు ఫలిత వేరియబుల్తో (outcome variable) సంబంధం ఉన్న ఫీచర్లను ఎంచుకుంటాయి కానీ, కంటెక్స్చువల్ MABకు నిజంగా ముఖ్యమైన, విభిన్న ఆర్మ్స్లో విభిన్నమైన ట్రీట్మెంట్ ఎఫెక్ట్ను కలిగించే వాటిని ఎంచుకోలేవు. ఈ పత్రంలో, ఫీచర్ రివార్డ్ పంపిణీకి అందించే విభిన్న కారణ ప్రభావం (heterogeneous causal effect) ఆధారంగా, కంటెక్స్చువల్ MAB సమస్య కోసం రూపొందించిన మోడల్-రహిత ఫీచర్ సెలక్షన్ పద్ధతులను మేము పరిచయం చేస్తున్నాము. సిఫార్సు వ్యవస్థలో కంటెంట్ కవర్ చిత్రాన్ని ఆప్టిమైజ్ చేయడానికి ఒక ఆన్లైన్ ప్రయోగం నుండి పొందిన నిజమైన డేటాతో పాటు కృత్రిమ డేటా ఆధారంగా అనుభవపూర్వక మూల్యాంకనం నిర్వహించబడింది. ఫలితాలు, ఈ ఫీచర్ సెలక్షన్ పద్ధతి అనవసరమైన ఫీచర్లతో పోలిస్తే, అధిక సందర్భోచిత MAB రివార్డ్కు దారితీసే ముఖ్యమైన ఫీచర్లను సమర్థవంతంగా ఎంచుకుంటుందని చూపిస్తున్నాయి. మోడల్ ఎంబెడెడ్ పద్ధతితో పోలిస్తే, ఈ మోడల్-రహిత పద్ధతి వేగవంతమైన గణన వేగం, అమలులో సౌలభ్యం, మరియు మోడల్ మిస్-స్పెసిఫికేషన్ సమస్యలను తగ్గించే ప్రయోజనాలను కలిగి ఉంది.
