分割バンディットを持つレコメンダーシステムにおけるアトリションのモデリング【JST・京大機械翻訳】

Ben-Porat Omer; Cohen Lee; Leqi Liu; Lipton Zachary C.; Mansour Yishay

プレプリント

J-GLOBAL ID：202202213326317487 整理番号：22P0310073

分割バンディットを持つレコメンダーシステムにおけるアトリションのモデリング【JST・京大機械翻訳】

Modeling Attrition in Recommender Systems with Departing Bandits

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月24日プレプリントサーバーでの情報更新日： 2024年02月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

伝統的に,推薦システムがマルチアームバンドとして形式化されたとき,推薦システムの政策は,相互作用の長さではなく,報酬に影響をおよぼす。しかし,実世界システムにおいては,不満足ユーザは(そして,決して戻らない)かもしれない。本研究では,このような政策依存の水平線を捉える新しいマルチアームバンドセットアップを提案する。この設定は,ユーザタイプの有限集合とBernoulli支払いによる多重アームから成る。各(ユーザタイプ,アーム)タプルは(未知)報酬確率に対応する。各ユーザのタイプは最初に未知であり,推薦に対する応答を通してのみ推論できる。さらに,利用者が推薦で不満足であるならば,それらはシステムを分割するかもしれない。著者らは最初に,すべてのユーザが同じタイプを共有する事例を取り上げて,最近のUCBベースのアルゴリズムが最適であることを示した。次に,ユーザを2つのタイプ間で分割するより挑戦的なケースに転送する。ナイーブ手法はこの設定を扱うことができないが,Tがユーザの数であるO(√T)レグレットを達成する効率的な学習アルゴリズムを提供する。【JST・京大機械翻訳】

, , , , ,
, 【Automatic Indexing@JST】

人工知能

前のページに戻る