Data Science
推荐系统中基于上下文的多臂强盗问题的因果特征选择方法
Author
Venue
ACM RecSys CONSEQUENCES（非存档）2024
Abstract
特征（又称上下文）对上下文多臂强盗（MAB）模型的性能至关重要。在大型在线系统的实际应用中，为模型选择并实现关键特征至关重要：遗漏重要特征可能导致次优的奖励结果，而包含无关特征则可能引发过拟合、模型可解释性差以及实现成本过高等问题。 然而，传统机器学习模型的特征选择方法在情境化多臂老虎机应用场景中效果欠佳，因为传统方法仅选择与结果变量相关的特征，却未必能捕捉到特征在各分支间产生的异质性处理效应——而这正是情境化多臂老虎机真正关键的要素。本文提出了一种专为情境化多臂老虎机问题设计的无模型特征选择方法，该方法基于特征对奖励分布产生的异质性因果效应。 我们基于合成数据以及来自推荐系统内容封面图优化在线实验的真实数据进行了实证评估。结果表明，该特征选择方法能有效筛选出关键特征，相较于次要特征，这些特征能带来更高的情境化多臂实验（MAB）奖励。与模型嵌入式方法相比，该无模型方法具有计算速度快、易于实现以及能规避模型规格错误等优势。
