社区探索: 从离线优化到在线学习
机器学习
2018-11-20 v2 机器学习
摘要
我们引入具有诸多现实应用（如在线广告）的社区探索问题。在该问题中，探索者分配有限预算以探索社区，从而最大化其能接触到的成员数量。我们对社区探索问题从离线优化到在线学习进行了系统研究。对于社区规模已知的离线情形，我们证明了非自适应探索与自适应探索的贪心方法均为最优。对于社区规模未知且需从多轮探索中学习的在线情形，我们提出一种类似“上置信”的算法，其达到了对数后悔界。通过结合不同轮次的反馈，我们可以达到常数后悔界。
引用
@article{arxiv.1811.05134,
title = {Community Exploration: From Offline Optimization to Online Learning},
author = {Xiaowei Chen and Weiran Huang and Wei Chen and John C. S. Lui},
journal= {arXiv preprint arXiv:1811.05134},
year = {2018}
}
备注
full version of the nips'18 paper