วิธีการคัดเลือกคุณลักษณะเชิงสาเหตุสำหรับปัญหาหลายทางเลือกแบบมีบริบทในระบบแนะนำ
Author
Venue
ACM RecSys CONSEQUENCES (ไม่เก็บถาวร) 2024
Abstract
คุณสมบัติ (หรือที่เรียกว่าบริบท) มีความสำคัญอย่างยิ่งต่อประสิทธิภาพของอัลกอริทึมแบบหลายแขนหลายกลยุทธ์ (MAB) ที่ใช้บริบท ในการใช้งานระบบออนไลน์ขนาดใหญ่ การเลือกและนำคุณสมบัติที่สำคัญมาใช้กับโมเดลนั้นมีความสำคัญอย่างยิ่ง: การขาดคุณสมบัติที่สำคัญอาจนำไปสู่ผลลัพธ์ของรางวัลที่ไม่ดีที่สุด และการรวมคุณสมบัติที่ไม่เกี่ยวข้องอาจทำให้เกิดการปรับตัวเกิน (overfitting) ความสามารถในการตีความโมเดลที่แย่ และต้นทุนในการนำไปใช้ อย่างไรก็ตาม วิธีการคัดเลือกคุณลักษณะสำหรับโมเดลการเรียนรู้ของเครื่องแบบดั้งเดิมมักไม่เพียงพอสำหรับกรณีการใช้งาน MAB ที่ต้องการบริบท เนื่องจากวิธีการแบบดั้งเดิมจะคัดเลือกคุณลักษณะที่มีความสัมพันธ์กับตัวแปรผลลัพธ์ แต่ไม่ได้หมายความว่าจะก่อให้เกิดผลกระทบจากการรักษาที่หลากหลายในแต่ละแขนของการทดลอง ซึ่งมีความสำคัญต่อ MAB ที่ต้องการบริบทอย่างแท้จริง ในบทความนี้ เราขอแนะนำวิธีการคัดเลือกคุณลักษณะแบบไม่ใช้โมเดลที่ออกแบบมาโดยเฉพาะสำหรับปัญหา MAB ที่ต้องการบริบท โดยอาศัยผลกระทบเชิงสาเหตุที่หลากหลายซึ่งคุณลักษณะนั้นมีต่อความกระจายของรางวัล การประเมินเชิงประจักษ์ดำเนินการโดยใช้ข้อมูลสังเคราะห์และข้อมูลจริงจากการทดลองออนไลน์เพื่อเพิ่มประสิทธิภาพภาพหน้าปกเนื้อหาในระบบแนะนำเนื้อหา ผลลัพธ์แสดงให้เห็นว่าวิธีการเลือกคุณลักษณะนี้สามารถเลือกคุณลักษณะที่สำคัญซึ่งนำไปสู่รางวัล MAB ที่สูงกว่าคุณลักษณะที่ไม่สำคัญได้อย่างมีประสิทธิภาพ เมื่อเปรียบเทียบกับวิธีการฝังแบบจำลอง วิธีการแบบไม่มีแบบจำลองนี้มีข้อได้เปรียบในด้านความเร็วในการคำนวณที่รวดเร็ว การใช้งานที่ง่าย และการลดปัญหาการระบุแบบจำลองที่ไม่ถูกต้อง
