将深度与宽深学习器作为上下文老虎机用于个性化邮件促销推荐的评估
机器学习
2022-02-02 v1 人工智能
摘要
个性化使企业能够从过去的交互中学习客户偏好，从而以更相关的内容定向个体客户。我们将从多个选项中为给定客户预测最优促销优惠的问题视为上下文老虎机问题。客户和/或活动的标识信息可用于推导未知的客户/活动特征，从而改进最优优惠预测。使用一个生成的合成邮件促销数据集，我们展示了（a）将标识信息（或其他类别特征）作为宽部分输入、以及（b）在输入中包含类别特征嵌入的纯深度神经网络的宽深网络具有相似的预测精度。包含类别特征带来的精度提升取决于每个类别中未知数值特征的可变性。我们还表明，使用上置信界或 Thompson 采样（通过宽深模型中的 Monte Carlo dropout 层近似）选择选项，可略微提升模型性能。
引用
@article{arxiv.2202.00146,
title = {Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For Personalized Email Promo Recommendations},
author = {Aleksey A. Kocherzhenko and Nirmal Sobha Kartha and Tengfei Li and Hsin-Yi and Shih and Marco Mandic and Mike Fuller and Arshak Navruzyan},
journal= {arXiv preprint arXiv:2202.00146},
year = {2022}
}