UCB再回顾
上回书说到，UCB这个小伙子在做EE(Exploit-Explore)的时候表现不错，只可惜啊，是一个不关心组织的上下文无关(context free)bandit算法，它只管埋头干活，根本不观察一下面对的都是些什么样的arm。
进一步送UCB去深造之前，我们再把UCB算法要解决的问题描述一下：
面对固定的K个item（广告或推荐物品），我们没有任何先验知识，每一个item的回报情况完全不知道，每一次试验要选择其中一个，如何在这个选择过程中最大化我们的回报？
UCB解决这个Multi-armed bandit问题的思路是：用置信区间。置信区间可以简单地理解为不确定性的程度，区间越宽，越不确定，反之亦反之。
每个item的回报均值都有个置信区间，随着试验次数增加，置信区间会变窄（逐渐确定了到底回报丰厚还是可怜）。
每次选择前，都根据已经试验的结果重新估计每个item的均值及置信区间。
选择置信区间上限最大的那个item。
“选择置信区间上界最大的那个item”这句话反映了几个意思：
- 如果item置信区间很宽（被选次数很少，还不确定），那么它会倾向于被多次选择，这个是算法冒风险的部分；
- 如果item置信区间很窄（备选次数很多，比较确定其好坏了），那么均值大的倾向于被多次选择，这个是算法保守稳妥的部分；
- UCB是一种乐观的算法，选择置信区间上界排序，如果时悲观保守的做法，是选择置信区间下界排序。
给UCB插上特征的翅膀
UCB还是很有前途的，所以算法大神们还是有心提携它一把。
这不，Yahoo!的科学家们在2010年发表了一篇论文[1]，给UCB指了一条明路，同时还把改造后的UCB算法用在了Yahoo!的新闻推荐中，深造后的UCB算法现在title叫LinUCB。
这篇论文很有名，很多地方都有引用，在刘鹏博士的著作《计算广告》中也专门讲到了[2]。我知道，大家都很忙，尤其是面对英文论文，尤其是论文中有大量的数学公式，所以“没时间”去阅读它，所以这里我就转述一下这个算法的改造过程，以期望大家在百忙之中能够领会其精神。
单纯的老虎机，它回报情况就是老虎机自己内部决定的，而在广告推荐领域，一个选择的回报，是由User和Item一起决定的，如果我们能用feature来刻画User和Item这一对CP，在选择之前通过feature预估每一个arm的期望回报及置信区间，那就合理多了。
为UCB插上特征的翅膀，这就是LinUCB最大的特色。
LinUCB算法做了一个假设：一个Item被选择后推送给一个User，其回报和相关Feature成线性关系，这里的“相关feature”就是context，也是实际项目中发挥空间最大的部分。
于是试验过程就变成：用User和Item的特征预估回报及其置信区间，选择置信区间上界最大的item推荐，观察回报后更新线性关系的参数，以此达到试验学习的目的。
LinUCB基本算法描述如下：
对照每一行解释一下：
0. 设定一个参数\alpha，这个参数决定了我们Explore的程度
1. 开始试验迭代
2. 获取每一个arm的特征向量xa,t
3. 开始计算每一个arm的预估回报及其置信区间
4. 如果arm还从没有被试验过，那么：
5. 用单位矩阵初始化Aa
6. 用0向量初始化ba，
7. 处理完没被试验过的arm
8. 计算线性参数\theta
9. 用\theta和特征向量xa,t计算预估回报, 同时加上置信区间宽度
10. 处理完每一个arm
11. 选择第9步中最大值对应的arm，观察真实的回报rt
12. 更新Aat
13. 更新bat
14. 算法结束
本来，按照上面的步骤已经可以写代码完成KPI了，但是我们都是爱学习的小伙伴，其中一些关键的地方还得弄得更明白些。
注意到上面的第4步，给特征矩阵加了一个单位矩阵，这就是岭回归（ridge regression），岭回归主要用于当样本数小于特征数时，对回归参数进行修正［3］。
对于加了特征的bandit问题，正符合这个特点：试验次数（样本）少于特征数。
每一次观察真实回报之后，要更新的不止是岭回归参数，还有每个arm的回报向量ba。
实现LinUCB
根据论文给出的算法描述，其实很好写出LinUCB的代码[5]，麻烦的只是构建特征。
代码如下，一些必要的注释说明已经写在代码中。
class LinUCB:
def __init__(self):
self.alpha = 0.25
self.r1 = 1 # if worse -> 0.7, 0.8
self.r0 = 0 # if worse, -19, -21
# dimension of user features = d
self.d = 6
# Aa : collection of matrix to compute disjoint part for each article a, d*d
self.Aa = {}
# AaI : store the inverse of all Aa matrix
self.AaI = {}
# ba : collection of vectors to compute disjoin part, d*1
self.ba = {}
self.a_max = 0
self.theta = {}
self.x = None
self.xT = None
# linUCB
def set_articles(self, art):
# init collection of matrix/vector Aa, Ba, ba
for key in art:
self.Aa[key] = np.identity(self.d)
self.ba[key] = np.zeros((self.d, 1))
self.AaI[key] = np.identity(self.d)
self.theta[key] = np.zeros((self.d, 1))
"""
这里更新参数时没有传入更新哪个arm，因为在上一次recommend的时候缓存了被选的那个arm，所以此处不用传入
另外，update操作不用阻塞recommend，可以异步执行
"""
def update(self, reward):
if reward == -1:
pass
elif reward == 1 or reward == 0:
if reward == 1:
r = self.r1
else:
r = self.r0
self.Aa[self.a_max] += np.dot(self.x, self.xT)
self.ba[self.a_max] += r * self.x
self.AaI[self.a_max] = linalg.solve(self.Aa[self.a_max], np.identity(self.d))
self.theta[self.a_max] = np.dot(self.AaI[self.a_max], self.ba[self.a_max])
else:
# error
pass
"""
预估每个arm的回报期望及置信区间
"""
def recommend(self, timestamp, user_features, articles):
xaT = np.array([user_features])
xa = np.transpose(xaT)
art_max = -1
old_pa = 0
# 获取在update阶段已经更新过的AaI(求逆结果)
AaI_tmp = np.array([self.AaI[article] for article in articles])
theta_tmp = np.array([self.theta[article] for article in articles])
art_max = articles[np.argmax(np.dot(xaT, theta_tmp) + self.alpha * np.sqrt(np.dot(np.dot(xaT, AaI_tmp), xa)))]
# 缓存选择结果，用于update
self.x = xa
self.xT = xaT
# article index with largest UCB
self.a_max = art_max
return self.a_max
怎么构建特征
LinUCB算法有一个很重要的步骤，就是给User和Item构建特征，也就是刻画context。在原始论文里，Item是文章，其中专门介绍了它们怎么构建特征的，也甚是精妙。容我慢慢表来。
- 原始用户特征有：
人口统计学：性别特征（2类），年龄特征（离散成10个区间）
地域信息：遍布全球的大都市，美国各个州
行为类别：代表用户历史行为的1000个类别取值
- 原始文章特征：
URL类别：根据文章来源分成了几十个类别
编辑打标签：编辑人工给内容从几十个话题标签中挑选出来的
原始特征向量都要归一化成单位向量。
还要对原始特征降维，以及模型要能刻画一些非线性的关系。
用Logistic Regression去拟合用户对文章的点击历史，其中的线性回归部分为：
拟合得到参数矩阵W，可以将原始用户特征（1000多维）投射到文章的原始特征空间（80多维），投射计算方式：
这是第一次降维，把原始1000多维降到80多维。
然后，用投射后的80多维特征对用户聚类，得到5个类簇，文章页同样聚类成5个簇，再加上常数1，用户和文章各自被表示成6维向量。
Yahoo!的科学家们之所以选定为6维，因为数据表明它的效果最好[4]，并且这大大降低了计算复杂度和存储空间。
我们实际上可以考虑三类特征：U（用户），A（广告或文章），C（所在页面的一些信息）。
前面说了，特征构建很有发挥空间，算法工程师们尽情去挥洒汗水吧。
总结
总结一下LinUCB算法，有以下优点：
- 由于加入了特征，所以收敛比UCB更快（论文有证明）；
- 特征构建是效果的关键，也是工程上最麻烦和值的发挥的地方；
- 由于参与计算的是特征，所以可以处理动态的推荐候选池，编辑可以增删文章；
- 特征降维很有必要，关系到计算效率。
另外，可能有人已经发现了，bandit算法有个问题，就是要求同时参与候选的arm数量不能太多，几百上千个差不多了，更多就不好处理了，如果arm更多的时候，recommend也是异步计算，这块可以深思一下，尽是工程上的事。
当年在学习Yahoo!这篇介绍LinUCB论文时，还一一看了其参考文献，比如这两篇，一个是关于特征处理的[6]，一个是关于降维和数据分析的[7]，有兴趣也可以看看，这里就不画重点了，高考不考。
[1] http://www.research.rutgers.edu/~lihong/pub/Li10Contextual.pdf
[2] 《计算广告：互联网商业变现的市场与技术》p253, 刘鹏，王超著
[3] https://en.wikipedia.org/wiki/Tikhonov_regularization
[4] http://www.gatsby.ucl.ac.uk/~chuwei/paper/isp781-chu.pdf
[5] https://github.com/Fengrui/HybridLinUCB-python/blob/master/policy_hybrid.py
[6] http://www.wwwconference.org/www2009/proceedings/pdf/p691.pdf
[7] http://www.gatsby.ucl.ac.uk/~chuwei/paper/isp781-chu.pdf
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
