Los algoritmos de bandidos (más específicamente, los algoritmos de bandidos contextuales) están ganando lentamente impulso para la recomendación, pero no son tan populares como los enfoques de filtrado colaborativo.
Dos ejemplos principales que he visto (junto con documentos que explican los métodos):
- Yahoo! y MSN News: Yahoo! La página de inicio utiliza bandidos contextuales para recomendar noticias a los usuarios. Los bandidos también se han aplicado para personalizar las noticias en la página de inicio de MSN.
- LinkedIn Today: este es un portal de noticias personalizado en LinkedIn y utiliza bandidos contextuales para impulsar las recomendaciones.
Además de estos, los bandidos contextuales se están utilizando para recomendar anuncios en Yahoo, seleccionar sus formatos en LinkedIn y para recomendar consultas alternativas en motores de búsqueda como Bing.
- Staad Pro: ¿Cómo puedo resolver este problema?
- Dada una matriz que contiene enteros distintos, ¿cuál es el número promedio de veces que se establece el valor máximo del elemento al encontrarlo?
- Trabajo muy duro para estudiar 13 horas al día durante más de 7 meses, pero todavía no puedo mejorar mi estructura de datos y habilidades de algoritmos, ¿qué debo hacer?
- ¿Hay alguna manera de resolver SPOJ.com - Problema GSS1 sin árboles de segmentos?
- ¿Cuáles son las principales diferencias, con ejemplos, entre un algoritmo de aprendizaje profundo y un algoritmo de aprendizaje de refuerzo?
Es posible que haya notado que ambas aplicaciones de recomendación son para noticias. En parte, esto se debe a la popularidad y la amplia aceptación de los modelos tradicionales basados en el filtrado colaborativo para construir recomendaciones en otros dominios. Sin embargo, esto también habla de las ventajas y desventajas comparativas de los algoritmos basados en bandidos: son adecuados para dominios como noticias donde el número de elementos candidatos es casi constante y casi todos los elementos tienen poca retroalimentación pasada porque los artículos se vuelven obsoletos muy rápidamente . En contraste, dominios como películas o música tienen miles de elementos candidatos para recomendar, lo que hace que la aplicación de bandidos contextuales sea una tarea no trivial debido a la maldición de la dimensionalidad.