将笔记中的MAB问题转来博客。
本篇重点分享一下MAB问题的思考和一些解决算法。
Bandit算法常常用于解决EE问题和部分用户的冷启动问题。
推荐系统的使命是在物品和用户之间建立连接，为用户匹配到最佳物品
也有另一个理解：在某个时间某个位置为用户选择最好的物品
推荐就是选择
人为什么害怕选择？究其原因是因为人把每个选项看做独一无二的个体，错过不再来
推荐系统中的选择也是如此，一旦选择呈现给用户，如果不能得到用户的青睐，就失去了一个展示机会，甚至有可能起到负面作用（广告系统中尤甚）。
跳出来看这个问题，选择时不再是选择个体，而是选择类别，这样压力是不是小许多？
比如吧推荐选择具体物品上升到选择策略。如后台有三种推荐策略，按照内容相似推荐，按照好友相似推荐，按照热门推荐。每次选择一种策略，确定策略后再根据策略中的物品进行选择。
这就是Bandit算法的出发点
MAB问题
Bandit算法起源于赌博学，原始问题：一个赌徒摇老虎机，走进赌场一看，一排老虎机外表一模一样，但每个老虎机吐钱的概率不一样，它不知道老虎机吐钱概率分布，那么如何最大化收益？
这就是多臂赌博机问题（Multi-armed bandit problem）。
- 假设一个用户对不同类别内容感兴趣程度不同，当推荐系统初次见到用户时，怎么快速直到他对每类内容的感兴趣程度？这也是推荐系统经常面对的冷启动问题
- 假设系统中有若干广告库存，该给每个用户展示哪个广告才能获得最大点击收益，是不是每次都挑收益最好的那个？
- 算法工程师又设计出了新的策略或者模型，如何既能直到它和旧模型相比谁更可靠，又能控制风险？
这些问题都是关乎选择的问题，只要是关乎选择，都可以简化成一个MAB问题
前面文章提过，推荐系统有两个顽疾，1. 冷启动、2. 探索和利用。后者称EE问题（Exploit-Explore）针对这两个问题，Bandit可对症下药
重点关注EE：
探索：被不断探索用户新的兴趣，否则将和快就会出现大量重复推荐
利用：比较确定的兴趣，要重充分利用，进行实际推荐
Bandit算法
Bandit并不是指一个算法，而是指一类算法。
如何衡量选择的好坏？
答：Bandit算法的思想是：看看选择会带来多少遗憾，遗憾越少越好。在MAB问题里，用来衡量好坏的指标就是累积遗憾，R = Σ(ωopt - ωB(i))。ωopt表示每次宣导最好选择得到的收益， ω表示每次选择的实际收益。二者之差记为本次选择带来的遗憾，T次选择后，累积遗憾即为上式。
这个公式用来对比不同Bandit算法的效果，用不同的Bandit算法模拟相同次数，对比哪个算法累积遗憾增长更慢，就是效果好的算法。
Bandit算法的套路：小心翼翼的尝试，越确定某个选择好，就越多选择它；反之则越少选择。
如果一个选择的试验次数较少，不确定好坏，就多给一些选择机会，直到确定为止。简单来说，把选择机会多给“确定好的”和“还不确定的”。
Bandit算法中有几个关键元素：臂、回报、环境
- 臂：每次选择的候选项，如老虎机的摇臂
- 回报：就是选择一个臂之后得到的奖励，好比老虎机吐出来的金币
- 环境：就是决定每个臂不同的那些因素，统称为环境
对应到推荐系统中
- 臂：每次推荐要选择的候选池，可能是具体物品，可能是推荐策略，也可能是物品类别
- 回报：用户的回馈，喜欢则是正面回报，没有买账就是负面回报或零回报
- 环境：推荐系统当前面临的这个用户就是未知的环境
- 汤普森采样
数学基础简单，只需要一行代码就可以实现
原理：假设次选择是否产生收益，背后有一个起决定作用的概率分布，产生收益为p
每个臂背后绑定了一个概率分布，每次选择时，让每个臂的概率分布各自产生一个随机数（蒙特卡洛模拟），按照这个随机数排序，输出产生最大随机数那个臂对应的物品。
为什么可以这么做？ 关键在于汤普森采样背后基于的是Beta分布
Beta分布：
有a和b两个参数，两个参数决定了分布形状。
- a+b的值越大，分布曲线就越集中，反之则越疏远（两边大中间小）
- 当a/(a+b)的值越大，分布集中位置的中心越靠近1，反之越靠近0，这样产生的随机数位置也相应更容易靠近1或0
因此，Beta分布总体有三种情况，曲线很窄靠近1、曲线很窄靠近0、曲线很宽
由此，若把Beta分布的参数a看做推荐后得到用户点击的次数，把b看做未得到用户点击的次数，如下：
- 取出每一个候选对应的a和b
- 为每个候选用a和b作为参数，用Beta分布产生一个随机数
- 按照随机数排序，输出最大值对应的候选
- 观察用户反馈，如果用户点击则将对应候选的a增加1，反之b增加1
因此在推荐系统中，为每个用户都保存一套参数，每个用户对应每个物品都保存一份a和b，一共2mn个
为什么有效？
- 如果候选被选中次数很多，那么a+b分布变窄，换句话说这个候选的收益已经确定，用它产生随机数，基本就在分布的中心位置附近，接近这个分布的平均收益
- 如果一个候选不但a+b很大，且a/(a+b)也很大，那么就是一个好的候选项，平均收益很好，每次选择占据优势，就进入利用阶段，反之则几乎再无出头之日
- 如果一个候选项的a+b很小，分布很宽，就是没有给充分的探索次数，此时不能确定好坏，那么这个较宽的分布有可能得到一个较大的随机数，在排序时被优先输出，给予次数做探索
Python实现：choice = np.argmax(pymc.rbeta(1)self.wins, 1 + self.trals - self.wins))
UCB算法
另一种常用的算法就是UCB（Upper Confidence Bound）置信区间上界。它也为每个臂评分，每次选择评分最高的候选臂输出，每次输出后观察用户的反馈，回来更新臂的参数
评分公式： score = xjt（拔） + √(2lnt / Tj,t)
加号前面是这个候选臂到目前的平均收益，反映了它的效果，后面叫做Bonus，本质上是均值的标准差，反映了候选臂的不稳定性，就是置信区间的上边界。t是目前总选择次数，Tj,t是每个臂被选择的次数
观察这个公式，如果一个候选的选择次数很少，即Tjt很小，那么Bonus就大，选择评分高，输出有优势，这个Bonus反应了一个候选的收益置信区间的宽度，Bonus越大，候选的平均收益置信区间越宽，越不确定，越需要更多的选择机会。反之若左边平均收益很大，也会在选择时有优势。
这个评分和汤普森采样的思想是一样的：
- 以每个候选的平均收益作为基准进行选择
- 对于选择次数不足的选项给予照顾
- 倾向于选择那些已经确定收益较好的候选
Epsilon算法
这是一个朴素算法，简单有效，类似模拟退火，做法如下：
- 先选择一个(0，1)之间较小的数，叫做Epsilon，这也是算法命名来历
- 每次以概率Epsilon对所有候选臂中随机选择一个，以1-Epsilon概率选择平均收益最大的
简单粗暴的方法，Epsilon的值可以控制对探索和利用的权衡程度，这个值越接近0，探索上就越保守
与这种做法类似的：先试几次，等每个臂都统计到收益后，就一直选择均值最大的臂
效果对比
以模拟次数为自变量，随着时间的推移，根据遗憾值的累积程度，效果从坏到好如下：
- 完全随机：不顾用户反馈的做法
- 朴素选择：认准一个效果好的一直推
- Epsilon贪婪算法：每次以小概率尝试新的，大概率选择效果好的，随时间推移趋近朴素选择
- UCB：每次基于机会较少的一些倾向
- 汤普森采样：用Beta分布管理每一个候选的效果
实验表明：UCB和汤普森采样对于遗憾值的控制效果显著优秀
冷启动
用Bandit算法来部分解决冷启动问题：
- 用分类或Topic来表示每个用户兴趣，我们可以通过几次实验，来刻画新用户细目中对每个Topic的感兴趣概率
- 这里如果用户对某个Topic感兴趣，就表示我们得到了收益，如果推给他不感兴趣Topic，推荐系统产生遗憾值
- 当一个新用户来了，针对这个用户，用汤普森采样为每一个Topic采样一个随机数，排序后输出采样值Top N的推荐item。注意这里一次选择了Top N个候选臂
- 等待用户反馈，没有反馈则更新对应Topic的b值，点击了则更新a
总结
Bandit算法是一种走一步看一步的推荐算法，它把用户看做一个多变的环境，待推荐物品就如同老虎机的摇臂，如果推荐了符合用户心意的，就好比摇出了金币。
Bandit算法大家族中，有汤普森采样、UCB、Epsilon贪婪算法等，效果总体汤普森采样和UCB占优
思考：Bandit算法不足
- 探索过程可能带来用户体验下降的情况，使得用户惰于反馈，系统将越来越差
- 如何实际环境中衡量算法好坏？遗憾值度量往往存在于实验环境中
- 收敛速度是一个问题
- 汤普森采样的参数存储较大，实际使用中可能受限