Öneri Sistemlerinde Bağlamsal Çok Kollu Haydutlar için Nedensel Özellik Seçimi Yöntemi
Author
Venue
ACM RecSys CONSEQUENCES (arşiv dışı) 2024
Abstract
Özellikler (diğer adıyla bağlam), bağlamsal çok kollu haydutlar (MAB) performansı için kritik öneme sahiptir. Büyük ölçekli çevrimiçi sistemlerin uygulamasında, model için önemli özellikleri seçmek ve uygulamak önemlidir: önemli özelliklerin eksikliği, optimal olmayan ödül sonuçlarına yol açabilir ve alakasız özelliklerin dahil edilmesi, aşırı uyum, zayıf model yorumlanabilirliği ve uygulama maliyetine neden olabilir. Bununla birlikte, geleneksel makine öğrenimi modelleri için özellik seçimi yöntemleri, bağlamsal MAB kullanım durumları için yetersiz kalmaktadır; zira geleneksel yöntemler, sonuç değişkeniyle ilişkili özellikleri seçer, ancak bağlamsal MAB için gerçekten önemli olan kollar arasında heterojen tedavi etkisine neden olmaz. Bu makalede, ödül dağılımına özelliğin katkıda bulunduğu heterojen nedensel etkiye dayalı olarak, bağlamsal MAB problemi için tasarlanmış modelden bağımsız özellik seçimi yöntemlerini tanıtıyoruz. Ampirik değerlendirme, bir öneri sisteminde içerik kapak resmini optimize etmek için yapılan çevrimiçi bir deneyden elde edilen gerçek verilerin yanı sıra sentetik verilere dayalı olarak gerçekleştirilmiştir. Sonuçlar, bu özellik seçimi yönteminin, önemsiz özelliklere kıyasla bağlamsal MAB ödülünün daha yüksek olmasına yol açan önemli özellikleri etkili bir şekilde seçtiğini göstermektedir. Modele gömülü yöntemle karşılaştırıldığında, bu model içermeyen yöntem hızlı hesaplama hızı, uygulama kolaylığı ve model yanlış tanımlama sorunlarının ortadan kaldırılması gibi avantajlara sahiptir.
