Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Kwak, Su Ha | - |
| dc.contributor.author | Cha, Sungmin | - |
| dc.date.accessioned | 2018-03-14T02:03:19Z | - |
| dc.date.available | 2018-03-14T02:03:19Z | - |
| dc.date.issued | 2018 | - |
| dc.identifier.uri | http://dgist.dcollection.net/common/orgView/200000007744 | en_US |
| dc.identifier.uri | http://hdl.handle.net/20.500.11750/6021 | - |
| dc.description.abstract | Contextual bandit is useful algorithm for the recommendation task in many applications such as NETFLEX, Amazon Echo, etc. Many algorithms are researched and showed a good result in terms of high total reward or low regret. However, when user wants to receive a recommendation in the new task, these algorithms do not use information that learned from before task. We suggest new topic, Bandit Parameter Estimation, to solve that inefficient problem. In the same setting with Contextual bandit, we consider as user’s latent profile. And then we propose some algorithms to estimate as fast as possible. We conducted to experiment to verify algorithms that we proposed in two case by using a synthetic dataset. As a result of experiment, we found that our algorithm estimates parameters faster than other algorithms in Contextual bandit. ⓒ 2017 DGIST |
- |
| dc.description.statementofresponsibility | open | - |
| dc.description.tableofcontents | Ⅰ. Introduction 1-- 1.1 Overview 1-- 1.2 Background 2-- 1.2.1 Multi-Armed bandit 2-- 1.2.2 K-armed (Linear) Contextual bandit 3-- 1.3 Related work 4-- 1.3.1 algorithm 4-- 1.3.2 UCB 5-- 1.3.3 LinUCB 6-- Ⅱ. Materials 8-- 2.1 Problem setting for Bandit Parameter Estimation 8-- 2.2 The uncertainty ellipsoid of 𝚹_(*) 9-- 2.2.1 𝑀𝑎𝑥(𝑚𝑖𝑛𝐸𝑖𝑔. 𝑣𝑎𝑙) 10-- 2.2.2 𝑀𝑎𝑥(𝑇𝑟(Σ_(t))) 11-- 2.2.3 𝑀𝑖𝑛(𝑇𝑟(Σ_(t)^(-1))) 11-- 2.2.4 Max(Det(Σ_(t))) 12Ⅲ. Method 13-- 3.1 Generating synthetic data 13-- 3.2 The experiment process 13-- Ⅳ. Experimental result 14-- 4.1 The experiment case 1 : Various k, fixed d 14-- 4.2 The experiment case 2 : Various d, fixed k 15-- Ⅴ. Discussion 17-- 5.1 Conclusion 17-- 5.2 Future work 17-- Reference 18-- Summary (Korean) 19 |
- |
| dc.format.extent | 19 | - |
| dc.language | eng | - |
| dc.publisher | DGIST | - |
| dc.subject | Recommendation | - |
| dc.subject | Bandit | - |
| dc.subject | Contextual Bandit | - |
| dc.subject | Parameter Estimation | - |
| dc.title | Bandit Parameter Estimation | - |
| dc.type | Thesis | - |
| dc.identifier.doi | 10.22677/thesis.200000007744 | - |
| dc.description.alternativeAbstract | 최근 많은 애플리케이션에서 사용자 맞춤형 추천을 제공하고 있다. 이때 주로 사용되는 알고리즘은 Contextual Bandit이라는 형태로 이미 많은 연구가 진행되어 좋은 결과를 보여주고 있다. 하지만 이 알고리즘들은 특정 유저에 대해서 하나의 Task에서는 빠르게 사용자에게 맞는 추천을 제공하고 있으나 만약 새로운 Task에 대해 추천을 제공해야 할 때, 이전 Task에서 학습한 정보를 이용하지 못하고 Task 별로 독립적으로 다시 학습해야 하므로 효율적이지 않다. 이러한 점에서 동기를 얻어 Contextual Bandit과 같은 환경에서 최근 사용자의 프로필을 학습하기 위한 Bandit Parameter Estimation이라는 형태의 새로운 문제를 제시하였다. 빠른 학습을 위하여 The uncertainty ellipsoid을 수축하기 위한 몇 가지 알고리즘을 제시하였고 실험을 위해 만든 데이터 셋에서 제시한 알고리즘이 기존의 Contextual bandit 알고리즘보다 빠르게 Parameter Estimation을 수행하는 것을 확인했다. 또한 향후 연구 주제로 본 논문을 통해 확인된 알고리즘을 실제 데이터에 적용하여 알고리즘을 검증하는 것 그리고 학습된 사용자의 프로필을 추가적으로 이용하여 Contextual Bandit에 사용되는 알고리즘을 사용했을 때 프로필을 사용하지 않았을 때 보다 더 빠르게 좋은 추천을 제공하는지 확인하는 연구가 필요하다는 것을 제시하였다. | - |
| dc.description.degree | Master | - |
| dc.contributor.department | Information and Communication Engineering | - |
| dc.contributor.coadvisor | Moon, Tae Sup | - |
| dc.date.awarded | 2018. 2 | - |
| dc.publisher.location | Daegu | - |
| dc.description.database | dCollection | - |
| dc.date.accepted | 2018-01-05 | - |
| dc.contributor.alternativeDepartment | 대학원 정보통신융합전공 | - |
| dc.contributor.alternativeName | 차성민 | - |
| dc.contributor.alternativeName | 곽수하 | - |
| dc.contributor.alternativeName | 문태섭 | - |
- Files in This Item:
-
기타 데이터 / 1.79 MB / Adobe PDF
download
- Appears in Collections:
- Department of Electrical Engineering and Computer Science Theses Master
Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.