简介：我们研究了在多维决策下，利用批量Contextual Bandit数据进行离线策略评估的问题。该问题在推荐系统和用户界面优化中十分常见，并且由于其具有组合大小的决策空间，这个问题尤其具有挑战性。Swaminathan等人假设了条件平均奖励对于决策具有可加性，并据此提出了伪逆估计器(Pseudoinverse (PI) Estimator)。使用控制变量，我们考虑了一大类无偏评估方法，其中包括了伪逆估计器以及他的自归一化变种。通过对该类方法进行优化，我们获得了新的评估，其在伪逆与自归一化伪逆估计值上都具有更优的误差保证。模拟实验与真实实验均说明了本方法的有效性。

链接：http://arxiv.org/abs/2106.07914
推荐理由：本文研究了具有挑战性的多维决策下的离线策略评估问题，并提出了新的方法来实现更好的评估效果。

内容中包含的图片若涉及版权问题，请及时与我们联系删除