https://zbmath.org/atom/cc/68T35 2024-04-15T15:10:58.286558Z Werkzeug公司 https://zbmath.org/1530.68215 2024-04-15T15:10:58.286558Z “科卡，汤姆亚什” https://zbmath.org/authors/？q=ai:kocak.tomas “雷米·穆诺斯” https://zbmath.org/authors/？q=ai:munos.remi “布莱尼斯拉夫·克维顿” https://zbmath.org/authors/？q=ai:kveton.branislav “阿格拉瓦尔，希普拉” https://zbmath.org/authors/？q=ai:agrawal.shipra “米查尔·瓦尔科” https://zbmath.org/authors/？q=ai:valko.michal 图上的光滑函数在流形和半监督学习中有着广泛的应用。在这项工作中，我们研究了一个图上武器收益平滑的盗贼问题。该框架适用于解决涉及图形的在线学习问题，例如基于内容的推荐。在这个问题中，我们可以推荐的每个项目都是无向图的一个节点，并且它的预期评级与它的邻居类似。目标是推荐期望评分较高的项目。我们的目标是，与最优策略相关的累积遗憾不会随着节点数的增加而降低。特别地，我们引入了有效维的概念，它在真实世界的图中很小，并提出了三种算法来解决我们在这个维中线性和次线性缩放的问题。我们在内容推荐问题上的实验表明，只需几十个节点评估，就可以很好地评估数千个项目的用户偏好。