Using Multi-armed Bandit to Solve Cold-Start Problems in Recommender Systems at Telco
Using Multi-armed Bandit to Solve Cold-Start Problems in Recommender Systems at Telco
复制标题
使用多臂老虎机解决电信公司推荐系统中的冷启动问题
DOI：
10.1007/978-3-319-13817-6_3
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
Anders Kofod
中科院分区：
文献类型：
--
作者：
H. Nguyen;Anders Kofod
为新用户推荐最适合的费率计划是电信行业面临的挑战。费率计划与大多数传统产品的不同之处在于，用户通常在任何给定时间都只有一种产品。这一点，再加上没有新用户的背景知识，阻碍了传统的推荐系统。今天，许多电信公司使用的都是一些琐碎的方法，比如随机选择一个计划，或者使用最常见的计划。这里介绍的工作表明，这些方法执行不佳。我们提出了一种新的方法的基础上的多臂强盗算法自动推荐费率计划的新用户。一个实验进行了两个不同的真实世界的数据集，从两个品牌的一个主要的国际电信运营商显示有前途的结果。
Recommending best-fit rate-plans for new users is a challenge for the Telco industry. Rate-plans differ from most traditional products in the way that a user normally only have one product at any given time. This, combined with no background knowledge on new users hinders traditional recommender systems. Many Telcos today use either trivial approaches, such as picking a random plan or the most common plan in use. The work presented here shows that these methods perform poorly. We propose a new approach based on the multi-armed bandit algorithms to automatically recommend rate-plans for new users. An experiment is conducted on two different real-world datasets from two brands of a major international Telco operator showing promising results.