Évaluation par les données d'algorithmes ...
Type de document :
Thèse
Titre :
Évaluation par les données d'algorithmes de bandits contextuels avec applications à la recommandation dynamique
Titre en anglais :
Data-driven evaluation of Contextual Bandit algorithms and applications to Dynamic Recommendation
Auteur(s) :
Nicol, Olivier [Auteur]
Laboratoire d'Informatique Fondamentale de Lille [LIFL]
Sequential Learning [SEQUEL]
Laboratoire d'Informatique Fondamentale de Lille [LIFL]
Sequential Learning [SEQUEL]
Directeur(s) de thèse :
Philippe Preux
Date de soutenance :
2014-12-18
Président du jury :
Jérémie Mary
Olivier Cappé
Ludovic Denoyer
Rémi Gilleron
Olivier Chapelle
Lihong Li
Olivier Cappé
Ludovic Denoyer
Rémi Gilleron
Olivier Chapelle
Lihong Li
Membre(s) du jury :
Jérémie Mary
Olivier Cappé
Ludovic Denoyer
Rémi Gilleron
Olivier Chapelle
Lihong Li
Olivier Cappé
Ludovic Denoyer
Rémi Gilleron
Olivier Chapelle
Lihong Li
Organisme de délivrance :
Université de Lille I
École doctorale :
SPI
Mot(s)-clé(s) :
Jeux de bandits (contextuels)
Evaluation hors ligne
Evaluation bas ́ee sur les donn ́ees
Envi- ronement non stationnaire
Recommandation
Recommandation d’articles de journaux
Recom- mandation dynamique
Analyse de biais/variance/concentration
Bootstrap (m ́ethode statis- tique d’estimation de propri ́et ́es d’un estimateur)
Validation crois ́ee
Inf ́erence Bay ́esienne
Classification
Biais contre variance
Dilemme entre exploration et exploitation
Validation en- tremˆel ́ee
Expansion de donn ́ees
M ́ethodes de rejeu.
Evaluation hors ligne
Evaluation bas ́ee sur les donn ́ees
Envi- ronement non stationnaire
Recommandation
Recommandation d’articles de journaux
Recom- mandation dynamique
Analyse de biais/variance/concentration
Bootstrap (m ́ethode statis- tique d’estimation de propri ́et ́es d’un estimateur)
Validation crois ́ee
Inf ́erence Bay ́esienne
Classification
Biais contre variance
Dilemme entre exploration et exploitation
Validation en- tremˆel ́ee
Expansion de donn ́ees
M ́ethodes de rejeu.
Mot(s)-clé(s) en anglais :
(Contextual) bandit games
Offline evaluation
Data-driven evaluation
Non stationary environ- ment
Recommendation
News recommendation
Dynamic recommendation
Bias/variance/- concentration analysis
Bootstrapping (statistical method of estimation of estimator properties)
Cross-validation
Bayesian inference
Bias versus Variance trade-off
Exploration versus Exploitation dilemma
Entangled validation
Data expansion
Replay methodologies.
Offline evaluation
Data-driven evaluation
Non stationary environ- ment
Recommendation
News recommendation
Dynamic recommendation
Bias/variance/- concentration analysis
Bootstrapping (statistical method of estimation of estimator properties)
Cross-validation
Bayesian inference
Bias versus Variance trade-off
Exploration versus Exploitation dilemma
Entangled validation
Data expansion
Replay methodologies.
Discipline(s) HAL :
Statistiques [stat]/Machine Learning [stat.ML]
Résumé :
Ce travail de th`ese a ́et ́e r ́ealis ́e dans le contexte de la recommandation dynamique. La recom-mandation est l’action de fournir du contenu personnalis ́e `a un utilisateur utilisant une ap-plication, dans le but ...
Lire la suite >Ce travail de th`ese a ́et ́e r ́ealis ́e dans le contexte de la recommandation dynamique. La recom-mandation est l’action de fournir du contenu personnalis ́e `a un utilisateur utilisant une ap-plication, dans le but d’am ́eliorer son utilisation e.g. la recommandation d’un produit surun site marchant ou d’un article sur un blog. La recommandation est consid ́er ́ee commedynamique lorsque le contenu a ` recommander ou encore les goˆuts des utilisateurs ́evoluentrapidement e.g. la recommandation d’actualit ́es. Beaucoup d’applications auxquelles nousnous int ́eressons g ́en`erent d’ ́enormes quantit ́es de donn ́ees grˆace `a leurs millions d’utilisateurssur Internet. N ́eanmoins, l’utilisation de ces donn ́ees pour ́evaluer une nouvelle technique derecommandation ou encore comparer deux algorithmes de recommandation est loin d’ˆetre triv-iale. C’est cette probl ́ematique que nous consid ́erons ici. Certaines approches ont d ́ej`a ́et ́epropos ́ees. N ́eanmoins elles sont tr`es peu ́etudi ́ees autant th ́eoriquement (biais non quantifi ́e,borne de convergence assez large...) qu’empiriquement (exp ́eriences sur donn ́ees priv ́ees). Dansce travail nous commen ̧cons par combler de nombreuses lacunes de l’analyse th ́eorique. En-suite nous discutons les r ́esultats tr`es surprenants d’une exp ́erience `a tr`es grande ́echelle : unecomp ́etition ouverte au public que nous avons organis ́ee. Cette comp ́etition nous a permisde mettre en ́evidence une source de biais consid ́erable et constamment pr ́esente en pratique :l’acc ́el ́eration temporelle. La suite de ce travail s’attaque a ` ce probl`eme. Nous montrons qu’uneapproche `a base de bootstrap permet de r ́eduire mais surtout de contrˆoler ce biais.Lire moins >
Lire la suite >Ce travail de th`ese a ́et ́e r ́ealis ́e dans le contexte de la recommandation dynamique. La recom-mandation est l’action de fournir du contenu personnalis ́e `a un utilisateur utilisant une ap-plication, dans le but d’am ́eliorer son utilisation e.g. la recommandation d’un produit surun site marchant ou d’un article sur un blog. La recommandation est consid ́er ́ee commedynamique lorsque le contenu a ` recommander ou encore les goˆuts des utilisateurs ́evoluentrapidement e.g. la recommandation d’actualit ́es. Beaucoup d’applications auxquelles nousnous int ́eressons g ́en`erent d’ ́enormes quantit ́es de donn ́ees grˆace `a leurs millions d’utilisateurssur Internet. N ́eanmoins, l’utilisation de ces donn ́ees pour ́evaluer une nouvelle technique derecommandation ou encore comparer deux algorithmes de recommandation est loin d’ˆetre triv-iale. C’est cette probl ́ematique que nous consid ́erons ici. Certaines approches ont d ́ej`a ́et ́epropos ́ees. N ́eanmoins elles sont tr`es peu ́etudi ́ees autant th ́eoriquement (biais non quantifi ́e,borne de convergence assez large...) qu’empiriquement (exp ́eriences sur donn ́ees priv ́ees). Dansce travail nous commen ̧cons par combler de nombreuses lacunes de l’analyse th ́eorique. En-suite nous discutons les r ́esultats tr`es surprenants d’une exp ́erience `a tr`es grande ́echelle : unecomp ́etition ouverte au public que nous avons organis ́ee. Cette comp ́etition nous a permisde mettre en ́evidence une source de biais consid ́erable et constamment pr ́esente en pratique :l’acc ́el ́eration temporelle. La suite de ce travail s’attaque a ` ce probl`eme. Nous montrons qu’uneapproche `a base de bootstrap permet de r ́eduire mais surtout de contrˆoler ce biais.Lire moins >
Résumé en anglais : [en]
The context of this thesis work is dynamic recommendation. Recommendation is the action,for an intelligent system, to supply a user of an application with personalized content so as toenhance what is refered to as ”user ...
Lire la suite >The context of this thesis work is dynamic recommendation. Recommendation is the action,for an intelligent system, to supply a user of an application with personalized content so as toenhance what is refered to as ”user experience” e.g. recommending a product on a merchantwebsite or even an article on a blog. Recommendation is considered dynamic when the contentto recommend or user tastes evolve rapidly e.g. news recommendation. Many applications thatare of interest to us generates a tremendous amount of data through the millions of online usersthey have. Nevertheless, using this data to evaluate a new recommendation technique or evencompare two dynamic recommendation algorithms is far from trivial. This is the problem weconsider here. Some approaches have already been proposed. Nonetheless they were not studiedvery thoroughly both from a theoretical point of view (unquantified bias, loose convergencebounds...) and from an empirical one (experiments on private data only). In this work we startby filling many blanks within the theoretical analysis. Then we comment on the result of anexperiment of unprecedented scale in this area: a public challenge we organized. This challengealong with a some complementary experiments revealed a unexpected source of a huge bias:time acceleration. The rest of this work tackles this issue. We show that a bootstrap-basedapproach allows to significantly reduce this bias and more importantly to control it.Lire moins >
Lire la suite >The context of this thesis work is dynamic recommendation. Recommendation is the action,for an intelligent system, to supply a user of an application with personalized content so as toenhance what is refered to as ”user experience” e.g. recommending a product on a merchantwebsite or even an article on a blog. Recommendation is considered dynamic when the contentto recommend or user tastes evolve rapidly e.g. news recommendation. Many applications thatare of interest to us generates a tremendous amount of data through the millions of online usersthey have. Nevertheless, using this data to evaluate a new recommendation technique or evencompare two dynamic recommendation algorithms is far from trivial. This is the problem weconsider here. Some approaches have already been proposed. Nonetheless they were not studiedvery thoroughly both from a theoretical point of view (unquantified bias, loose convergencebounds...) and from an empirical one (experiments on private data only). In this work we startby filling many blanks within the theoretical analysis. Then we comment on the result of anexperiment of unprecedented scale in this area: a public challenge we organized. This challengealong with a some complementary experiments revealed a unexpected source of a huge bias:time acceleration. The rest of this work tackles this issue. We show that a bootstrap-basedapproach allows to significantly reduce this bias and more importantly to control it.Lire moins >
Langue :
Anglais
Collections :
Source :
Fichiers
- https://tel.archives-ouvertes.fr/tel-01297407/document
- Accès libre
- Accéder au document
- https://tel.archives-ouvertes.fr/tel-01297407/document
- Accès libre
- Accéder au document
- document
- Accès libre
- Accéder au document
- phd_nicol.pdf
- Accès libre
- Accéder au document
- document
- Accès libre
- Accéder au document
- phd_nicol.pdf
- Accès libre
- Accéder au document