Data Science
推薦系統中情境多臂強盜問題的因果特徵選擇方法
Author
Venue
ACM RecSys CONSEQUENCES（非歸檔）2024
Abstract
特徵（亦稱上下文）對於情境化多臂強盜（MAB）的表現至關重要。在大型線上系統的實務應用中，為模型選取並實作重要特徵至關重要：遺漏重要特徵可能導致獎勵結果次優，而納入無關特徵則可能引發過度擬合、模型可解釋性不佳，以及實作成本過高。 然而，傳統機器學習模型的特徵選擇方法在情境化多臂強盜問題中往往力有未逮，因為傳統方法雖能篩選出與結果變量相關的特徵，卻未必能識別出那些在各支臂間產生異質性處理效應的特徵——而這正是情境化多臂強盜問題中真正關鍵的要素。本文提出專為情境化多臂強盜問題設計的無模型特徵選擇方法，其基礎在於特徵對獎勵分佈所產生的異質性因果效應。 我們透過合成資料以及來自推薦系統中優化內容封面圖片之線上實驗的真實資料，進行了實證評估。結果顯示，此特徵選擇方法能有效篩選出重要特徵，相較於不重要特徵，這些特徵能帶來更高的情境化多臂實驗（MAB）獎勵。與模型嵌入式方法相比，此無模型方法具有運算速度快、易於實作，以及能避免模型規格錯誤等優勢。
