推荐系统中上下文多臂老虎机的因果特征选择方法
机器学习
2025-12-02 v2 信息检索
机器学习
摘要
在大规模在线系统中，有效的特征选择对于优化上下文多臂老虎机（CMAB）至关重要，其中次优特征会降低奖励、可解释性和效率。传统的特征选择通常优先考虑结果相关性，而忽视了 CMAB 决策中各臂间异质处理效应（HTE）的关键作用。本文引入了两种新颖的无模型过滤方法——异质增量效应（HIE）和异质分布散度（HDD），专门用于识别驱动 HTE 的特征。HIE 根据特征引起最优臂改变的能力来量化其价值，而 HDD 则衡量其对各臂间奖励分布散度的影响。这些方法计算高效、对模型误设具有鲁棒性，且能适应各种特征类型，使其适用于无法重新训练复杂模型的动态环境中的快速筛选。我们在具有已知真实值的合成数据和大规模商业推荐系统上验证了 HIE 和 HDD，证明了它们一致地具备识别有影响力的 HTE 特征的能力，从而提升 CMAB 性能。
引用
@article{arxiv.2409.13888,
title = {Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System},
author = {Zhenyu Zhao and Yexi Jiang},
journal= {arXiv preprint arXiv:2409.13888},
year = {2025}
}