Key points are not available for this paper at this time.
Nous introduisons une nouvelle approche algorithmique à la recommandation de contenu basée sur le clustering adaptatif des stratégies d'exploration-exploitation ("bandit"). Nous fournissons une analyse aiguë du regret de cet algorithme dans un cadre de bruit stochastique standard, démontrons ses propriétés de scalabilité, et prouvons son efficacité sur plusieurs ensembles de données artificiels et du monde réel. Nos expériences montrent une augmentation significative de la performance de prédiction par rapport aux méthodes à la pointe de la technologie pour les problèmes de bandits.
Gentile et al. (Ven,) ont étudié cette question.