用于个性化推荐的神经上下文多臂老虎机

在在线业务的动态环境中，推荐系统对于提升用户体验至关重要。虽然传统方法依赖于静态监督学习，但对自适应、以用户为中心的推荐的追求导致了上下文多臂老虎机 (contextual bandits) 公式的出现。本教程探讨了上下文多臂老虎机作为个性化推荐的强大框架。我们深入研究了该领域内的挑战、高级算法与理论、协作策略以及开放挑战和未来前景。与现有的相关教程不同，(1) 我们专注于上下文多臂老虎机的探索视角，以缓解推荐系统中的“马太效应”，即就物品流行度而言，富者愈富，贫者愈贫；(2) 除了传统的线性上下文多臂老虎机外，我们还致力于近年来已成为重要分支的神经上下文多臂老虎机，从实证和理论两方面研究神经网络如何使上下文多臂老虎机受益于个性化推荐；(3) 我们将涵盖最新主题，即协作神经上下文多臂老虎机，以结合针对推荐系统定制的用户异质性和用户相关性；(4) 我们将提供并讨论神经上下文多臂老虎机在个性化推荐应用中面临的新兴挑战和开放问题，特别是针对大型神经模型。