推荐系统遇见机制设计

机器学习已发展出多种工具，用于学习和表示具有结构的高维分布。近年来，多物品机制设计也取得了重大进展。然而，类似于过拟合，这些机制对其所针对的贝叶斯先验极为敏感，当该先验仅被近似已知时便会出问题。同时，即便给定精确的贝叶斯先验，已知最优甚至近似最优的多物品机制也会遭遇样本、计算、表示与通信的难处理性障碍。我们考虑一类自然的多物品机制设计问题，其中物品数量极多，但竞标者的价值分布可由类似于推荐系统中用于处理极多可能推荐的 topic model（主题模型）很好地近似。我们针对该设定提出了一个机制设计框架，建立在 Brustle 等人近期提出的鲁棒化框架之上，该框架将估计多维先验的统计挑战与为其设计良好机制的任务解耦，并使后者针对前者的估计误差实现性能鲁棒化。我们提供了适用于本设定的该框架的扩展，使我们能够利用主题模型的表达能力降低机制设计问题的有效维度，并消除其计算、通信与表示复杂度对物品数量的依赖。