协同 bandit 算法的比较性能：稀疏性与探索强度的影响

本文对协同 bandit 算法进行全面分析，并对其性能进行详尽比较。协同 bandit 旨在通过在臂（或项目）之间引入关系，提高情境 bandit 的性能，实现信息的有效传递。臂之间的协同合作允许通过单个用户（项目）获取的反馈在相关用户（项目）之间共享。引入协同合作也缓解了冷用户（冷项目）问题，即当新用户（项目）登录平台且暂无互动记录时缺乏历史信息。在建模臂（或项目）之间的关系时，主要有两种方法：硬聚类和软聚类。我们将以绝对方式建模臂之间关系的办法称为硬聚类，即该关系为二元的。软聚类放宽了成员约束，允许模糊赋值。我们聚焦于后者，提供了对最新协同情境 bandit 算法的大量实验，并研究了稀疏性及如何探索强度作为校正机制的作用。我们的数值实验表明，控制协同中的稀疏性可提高数据效率和性能，因为它更准确地 informs 学习。同时，增加探索强度可作为校正机制，因为它有效地减少了由于用户之间可能误指定关系而产生的方差。我们观察到，这种误指定进一步通过引入潜在因子来缓解，从而增加 bandit 参数的维度。