Mi az a kontextuális banditák?

A kontextuális banditok a multi-armed bandit algoritmusok egyik változata, ahol minden lépésben az algoritmus kap egy bizonyos kontextust (például felhasználói vagy környezeti információkat), és ki kell választania egy akciót (például reklám megjelenítése vagy termék ajánlása), hogy maximalizálja a várt jutalmat. A klasszikus banditoktól eltérően, ahol a választás kontextus figyelembevétele nélkül történik, itt további információkat vesznek figyelembe, ami hatékonyabb alkalmazkodást tesz lehetővé különböző helyzetekhez.

Egy felhasználási példa a személyre szabott ajánlások: a rendszer látja a felhasználói profilt (kontekstus), és kiválasztja a legjobb tartalom lehetőségét (akció), miközben visszajelzést (jutalmat) kap kattintás vagy vásárlás formájában. Ez segít hatékonyabb A/B tesztek végrehajtásában és különböző lehetőségek kipróbálásában, minimalizálva a rossz ajánlásokból eredő veszteségeket.