快速近似贝叶斯上下文冷启动学习（FAB-COST）
机器学习
2021-01-13 v1 机器学习
摘要
冷启动是一个众所周知的难题，常出现在推荐系统中，当缺乏足够信息为用户或物品进行推断时就会发生。为应对这一挑战，提出了一种上下文_bandit算法——快速近似贝叶斯上下文冷启动学习算法（FAB-COST）——其设计旨在相比逻辑上下文_bandit中传统使用的拉普拉斯近似提供更高的精度，同时控制算法复杂度和计算成本。为此，FAB-COST使用了两种矩投影变分方法的组合：期望传播（EP），其在冷启动时表现良好，但随着数据量增加会变慢；以及假定密度滤波（ADF），其计算成本随数据规模增长较慢但需要更多数据以获得可接受精度水平。通过在数据集变大时从EP切换到ADF，它能够利用两者的互补优势。给出了FAB-COST的经验依据，并在模拟数据上与其他方法进行了系统比较。在针对来自autotrader.co.uk、包含超过 次曝光的真实数据的基准测试中，FAB-COST在某时刻实现了用户点击量超过 的提升。基于这些结果，我们认为FAB-COST很可能成为多种场景下冷启动推荐系统的一个有吸引力的方法。
引用
@article{arxiv.2008.08038,
title = {Fast Approximate Bayesian Contextual Cold Start Learning (FAB-COST)},
author = {Jack R. McKenzie and Peter A. Appleby and Thomas House and Neil Walton},
journal= {arXiv preprint arXiv:2008.08038},
year = {2021}
}