具有双上下文信息的低秩在线动态分类
信息检索
2026-02-16 v3 机器学习
机器学习
摘要
随着电子商务的扩张，从海量商品目录中提供实时个性化推荐对零售平台构成了关键挑战。最大化收入需要仔细考虑个体客户特征和可用商品特征，以随时间持续优化分类。本文考虑了具有双上下文（用户特征和商品特征）的动态分类问题。在高维场景中，维度的二次增长使计算和估计复杂化。为应对这一挑战，我们引入了一种新的低秩动态分类模型，将该问题转化为可管理的规模。然后我们提出了一种高效算法，该算法估计内在子空间并利用上置信界方法来解决在线决策中的探索-利用权衡。理论上，我们建立了遗憾界为，其中分别表示用户特征和商品特征的维度，是参数矩阵的秩，表示时间范围。该界通过利用低秩结构，相较于先前文献有了显著改进。大量模拟实验以及在Expedia酒店推荐数据集上的应用进一步证明了我们提出方法的优势。
引用
@article{arxiv.2404.17592,
title = {Low-Rank Online Dynamic Assortment with Dual Contextual Information},
author = {Seong Jin Lee and Will Wei Sun and Yufeng Liu},
journal= {arXiv preprint arXiv:2404.17592},
year = {2026}
}