Neural Contextual Bandits for Personalized Recommendation

要約

オンライン ビジネスのダイナミックな状況において、レコメンダー システムはユーザー エクスペリエンスを向上させる上で極めて重要です。
従来のアプローチは静的な教師あり学習に依存していましたが、適応的でユーザー中心のレコメンデーションの追求により、コンテキストバンディットの定式化が出現しました。
このチュートリアルでは、パーソナライズされた推奨事項の強力なフレームワークとしてコンテキスト バンディットを調査します。
この分野における課題、高度なアルゴリズムと理論、共同戦略、未解決の課題と将来の展望を掘り下げます。
既存の関連チュートリアルとは異なり、(1) アイテムの人気に関して、推奨システムの「マシュー効果」、つまり、金持ちはさらに金持ちになり、貧乏人はさらに貧乏になる、という現象を緩和するために、コンテキスト盗賊の探索視点に焦点を当てます。
(2) 従来の線形コンテキストバンディットに加えて、近年重要な分野として台頭してきたニューラルコンテキストバンディットにも専念し、ニューラルネットワークがパーソナライズされたレコメンデーションにおいてコンテキストバンディットにどのようなメリットをもたらすかを経験的および理論的に調査します。
(3) ユーザーの異質性とレコメンダー システム用にカスタマイズされたユーザー相関の両方を組み込むために、最新のトピックである協調的なニューラル コンテキスト バンディットを取り上げます。
(4) パーソナライズされた推奨事項、特に大規模なニューラル モデルのアプリケーションを使用して、ニューラル コンテキスト バンディットに対する新たな課題と未解決の質問を提供し、議論します。

要約(オリジナル)

In the dynamic landscape of online businesses, recommender systems are pivotal in enhancing user experiences. While traditional approaches have relied on static supervised learning, the quest for adaptive, user-centric recommendations has led to the emergence of the formulation of contextual bandits. This tutorial investigates the contextual bandits as a powerful framework for personalized recommendations. We delve into the challenges, advanced algorithms and theories, collaborative strategies, and open challenges and future prospects within this field. Different from existing related tutorials, (1) we focus on the exploration perspective of contextual bandits to alleviate the “Matthew Effect” in the recommender systems, i.e., the rich get richer and the poor get poorer, concerning the popularity of items; (2) in addition to the conventional linear contextual bandits, we will also dedicated to neural contextual bandits which have emerged as an important branch in recent years, to investigate how neural networks benefit contextual bandits for personalized recommendation both empirically and theoretically; (3) we will cover the latest topic, collaborative neural contextual bandits, to incorporate both user heterogeneity and user correlations customized for recommender system; (4) we will provide and discuss the new emerging challenges and open questions for neural contextual bandits with applications in the personalized recommendation, especially for large neural models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google