論文の概要: An Opportunistic Bandit Approach for User Interface Experimentation
- arxiv url: http://arxiv.org/abs/2006.11873v1
- Date: Sun, 21 Jun 2020 18:43:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 11:38:59.493996
- Title: An Opportunistic Bandit Approach for User Interface Experimentation
- Title(参考訳): ユーザインタフェース実験のための日和見的バンドイットアプローチ
- Authors: Nader Bouacida, Amit Pande and Xin Liu
- Abstract要約: 実際のオンライン小売データを用いて,実験をできるだけ安価に行えるようにするために,オポチュニスティックな帯域幅が有効であることを示す。
我々は,コストのかかる探索を緩和し,余分な文脈情報を提供することで,重大な後悔の軽減を実現している。
- 参考スコア(独自算出の注目度): 4.221317325134029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Facing growing competition from online rivals, the retail industry is
increasingly investing in their online shopping platforms to win the high-stake
battle of customer' loyalty. User experience is playing an essential role in
this competition, and retailers are continuously experimenting and optimizing
their user interface for better user experience. The cost of experimentation is
dominated by the opportunity cost of providing a suboptimal service to the
customers. Through this paper, we demonstrate the effectiveness of
opportunistic bandits to make the experiments as inexpensive as possible using
real online retail data. In fact, we model user interface experimentation as an
opportunistic bandit problem, in which the cost of exploration varies under a
factor extracted from customer features. We achieve significant regret
reduction by mitigating costly exploration and providing extra contextual
information that helps to guide the testing process. Moreover, we analyze the
advantages and challenges of using opportunistic bandits for online retail
experimentation.
- Abstract(参考訳): オンラインのライバルとの競争が激化する中、小売業界はオンラインショッピングプラットフォームへの投資を増やし、顧客の忠誠を勝ち取ろうとしている。
このコンペティションではユーザエクスペリエンスが重要な役割を担っており、小売業者はユーザエクスペリエンスを改善するためにユーザインターフェースを継続的に実験し、最適化しています。
実験のコストは、顧客に最適なサービスを提供する機会コストによって支配されます。
本稿では,オンライン小売データを用いた実験をできるだけ安価にするために,オポチュニティ・バンディットの有効性を実証する。
実際に,ユーザインタフェース実験を,ユーザの特徴から抽出した要因の下で探索コストが変動する機会論的帯域幅問題としてモデル化する。
コストのかかる探索を緩和し、テストプロセスのガイドに役立つ余分なコンテキスト情報を提供することで、大きな後悔の低減を実現しています。
さらに,オンライン小売実験におけるオポチュニティ・バンディットの活用のメリットと課題を分析した。
関連論文リスト
- Incentivized Truthful Communication for Federated Bandits [61.759855777522255]
我々はTrath-FedBanという名前のインセンティブ互換通信プロトコルを提案する。
Truth-FedBanは、オーバーヘッドなしにサブ線形後悔と通信コストを保証します。
論文 参考訳(メタデータ) (2024-02-07T00:23:20Z) - Incentivized Communication for Federated Bandits [67.4682056391551]
我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。
本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
論文 参考訳(メタデータ) (2023-09-21T00:59:20Z) - Causal Analysis of Customer Churn Using Deep Learning [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
本稿では,ディープフィードフォワードニューラルネットワークを用いた分類手法を提案する。
また,顧客を混乱させる原因を予測するための因果ベイズネットワークを提案する。
論文 参考訳(メタデータ) (2023-04-20T18:56:13Z) - Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。
ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文 参考訳(メタデータ) (2023-04-06T05:20:16Z) - Experimentation Platforms Meet Reinforcement Learning: Bayesian
Sequential Decision-Making for Continuous Monitoring [13.62951379287041]
本稿では、顧客体験を最大化し、機会コストを制御するためにAmazonで開発した新しいフレームワークを紹介する。
この問題を統一効用関数を持つベイズ最適逐次決定問題として定式化する。
本手法の有効性を,Amazon実験における大規模メタ分析による既存手法と比較した。
論文 参考訳(メタデータ) (2023-04-02T00:59:10Z) - Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。
オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。
異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
論文 参考訳(メタデータ) (2022-10-15T17:15:51Z) - Clustering-based Imputation for Dropout Buyers in Large-scale Online
Experimentation [4.753069295451989]
オンライン実験では、適切な指標(例えば購入)が仮説を支持し、意思決定プロセスを強化する強力な証拠を提供する。
本研究では,ドロップアウト購入者の概念を導入し,不完全なメトリック値を持つユーザを,訪問者とドロップアウト購入者という2つのグループに分類する。
不完全なメトリクスを分析するために、$k$-nearest 隣人を用いたクラスタリングベースの計算法を提案する。
論文 参考訳(メタデータ) (2022-09-09T01:05:53Z) - Personalizing Intervened Network for Long-tailed Sequential User
Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。
テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。
本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-08-19T02:50:19Z) - The Unfairness of Active Users and Popularity Bias in Point-of-Interest
Recommendation [4.578469978594752]
本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。
アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。
本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
論文 参考訳(メタデータ) (2022-02-27T08:02:19Z) - Competing Bandits: The Perils of Exploration Under Competition [119.39607854637798]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳(メタデータ) (2020-07-20T14:19:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。