使用 TensorFlow-Agents Bandits 库开展推荐活动

会员服务 ·

使用 TensorFlow-Agents Bandits 库开展推荐活动

2021 年 8 月 12 日 TensorFlow

发布人：Google Research 的 Gábor Bartók 和 Efi Kokiopoulou

本文默认您在强化学习和/或 Multi-Armed Bandits 方面有一定的经验。如果您对这个主题不甚了解，最好从维基百科条目：Bandits 开始了解，或者阅读此书，更深入了解技术方面的介绍。

此书
https://arxiv.org/abs/1904.07272

在本文中，我们介绍了 TensorFlow-Agents Bandits 库。这个库提供了热门博弈算法，以及可供各种算法运行的测试问题。这些测试问题（称为博弈环境）包括一些合成环境以及从现实生活（分类或推荐）数据集转换而来的环境。

TensorFlow-Agents
https://github.com/tensorflow/agents
Bandits 库
https://github.com/tensorflow/agents/tree/master/tf_agents/bandits

MovieLens 环境就是利用了这个数据集的转换环境之一。在本文中，我们将指导您在 MovieLens 环境的帮助下使用 TF-Agents Bandits 库。

Multi-Armed Bandits

Multi-Armed Bandits 是一个机器学习框架，智能体 (Agents) 会从一组操作中反复选择操作，并通过与环境互动来收集奖励。智能体的目标是在给定的时间范围内，尽可能多地积累奖励。“Bandits”这个名字取自说明性示例，即从一组具有不同回报的机器中找到回报最丰富的机器 (one-armed bandit)。这些操作也被称为“臂 (arms)”。

图源：维基百科 (Las Vegas slot machines.jpg)

有两个更重要的概念需要加以注意，即“上下文背景”和“遗憾”。在许多现实生活场景中，仅仅找到平均情况下能提供最高奖励的最佳操作是不够的：我们要根据情况/背景找到最佳操作。为了在这个方向上扩展该框架，我们引入了“背景”的概念。在智能体必须选择操作之前，它会收到提供当前轮次信息的背景。然后，智能体的目标是找到一个策略，在给定背景下选择回报最高的操作。

在相关文献资料中，“遗憾”这个概念非常重要。遗憾的非正式定义是最优策略和所学策略之间的性能差异。通常情况下，性能是以累积奖励（即几轮奖励的总和）来衡量的；另外，也可以参考“瞬时遗憾”，即智能体在某一轮所遭受的遗憾。博弈算法通常有性能保证，即在给定的博弈问题系列中，存在遗憾上限。

示例：电影推荐

想象以下场景。您的任务是向电影在线媒体服务的用户推荐电影。您会在每一轮中收到关于用户的信息。您的任务是从几部电影中为用户做出选择，而目标是选择一部用户会喜欢并给予高分评价的电影。

1. 推荐数据集

为了进行说明，我们会把著名的 MovieLens 数据集变成一个博弈问题。该数据集包含来自 943 个用户对 1682 部电影的大约 10 万个评分。把这个数据集变成一个结合背景的博弈问题，我们首先要构建用户/电影评分的矩阵“A”，其中“A_ij”是用户“i”对电影“j”的评分。由于我们只有每个用户对几部电影的评分，所以评分矩阵“A”存在一个问题，它非常稀疏，即只有几个条目“A_ij”可用；所有其他条目都是未知的。为了解决这个稀疏问题，我们构建了一个低秩 SVD 分解“A ~= U*V'”（推荐系统中的低秩矩阵分解是协作过滤的热门方法之一，具体可参阅 Koren et al. 2009）。这样一来，“U”行就是背景特征。然后，要推荐给用户的电影是操作集合，用“V”行表示。向用户“i”推荐电影“j”的奖励可以计算为“U_i”和“V_j”相应行的内积。因此，通过使用低秩 SVD 分解来计算奖励，我们可以近似计算奖励，即使是那些没有推荐给用户的电影也囊括在列；所以，它们的评分是未知的。

Koren et al. 2009
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf

2. TF-Agents 博弈

现在让我们看看上述问题在 TF-Agents Bandits 库的帮助下得到建模和解决的过程。TF-Agents 是一个模块化的库，其中包含强化学习和博弈各个方面的构建模块。问题可以用“环境”的形式来表达。环境是一个生成观察结果（又称背景）的类，并会在系统实施操作后输出奖励。在 MovieLens 环境中，观察结果是矩阵“U”的随机行，而系统会在算法选择操作（即矩阵“V”的行，在我们的示例中是一部电影）后给出奖励。有关 MovieLens 环境的实现，请参见此处。这里值得注意的是，在 TF-Agents 中实现博弈环境相当简单。有关演示，请读者参阅我们的博弈教程。

TF-Agents
https://github.com/tensorflow/agents/tree/master/tf_agents
此处
https://github.com/tensorflow/agents/blob/master/tf_agents/bandits/environments/movielens_py_environment.py
教程
http://tensorflow.google.cn/agents/tutorials/bandits_tutorial

3. 算法

TF-Agents 中的博弈算法有两个主要的构建模块：“策略”和“智能体”。策略是一个函数，会在给定观察结果的条件下选择操作。智能体负责学习出色策略：在给定（观察结果、操作、奖励）元组示例的条件下训练策略，以便选择更好的操作。TF-Agents Bandits 库提供了大热算法的详细列表，其中包括线性方法以及非线性方法（例如，那些基于神经网络的价值函数）。让我们看看 LinUCB 会如何解决 MovieLens 问题！

4. LinUCB 算法

简而言之，LinUCB 算法会跟踪所有操作的运行平均奖励，以及估计值周围的置信区间。在每一轮中，该算法都会选择对其奖励估计值具有最高置信度上限的操作。

LinUCB 算法
https://arxiv.org/abs/1003.0146

在 TF-Agents 库中，LinUCB 算法是由具有“乐观探索策略”的 LinearBanditPolicy 和负责更新估计值的 LinearBanditAgent 构建而成。请注意，探索策略可以从“乐观”改为“采样”，在这种情况下，算法变成了线性汤普森采样。

那么，让我们看看 LinUCB 在 MovieLens 环境中的表现吧！我们在 MovieLens 环境中运行了 LinUCB（其中有 100 个操作，且 SVD 分解排名为 20），并在 TensorBoard 上得到了结果：

（注意，以下所有图表都是基于五次运行的平均值，阴影显示的是标准偏差。曲线还应用了滚动平均值平滑法。）

5. 线性汤普森采样

如上所述，通过对 LinUCB 稍加修改，我们就实现了线性汤普森采样 (LinTS)。如果我们针对同一个问题运行 LinTS（参见此处，了解实施情况），我们得到与 LinUCB 非常相似的结果（见下文的联合图）。

此处
https://github.com/tensorflow/agents/blob/master/tf_agents/bandits/agents/linear_thompson_sampling_agent.py

6. NeuralEpsilonGreedy

我们把这些结果与另一个智慧体进行比较，例如，NeuralEpsilonGreedy 智能体。顾名思义，这个智能体使用神经网络来估计奖励，并增加了概率为“epsilon”的统一探索。这种探索策略被称为“epsilon-greedy”，因为该方法在大多数时候都比较“贪心”，但在概率为“epsilon”的情况下，它会随机地统一挑选一个操作，以此进行探索。如果我们运行 Neural Epsilon Greedy，并把三种算法的结果放在一起，我们会得到：

有趣的是，我们还可以看到这些方法选择次优操作的频率如何。结果如下所示：

不出意料，LinUCB 和 LinTS 的性能非常相似，因为它们是非常相似的算法。另一方面，Neural epsilon-Greedy 在这个问题上表现得不是很好。经过五万次的迭代，其指标仍然与线性方法的指标相差甚远。不过，请注意，即使是 epsilon-Greedy 算法，找到最好电影的概率也达到了百分之五十（在 100 次操作中），性能还是不错的！

平心而论，在这个问题上，线性算法的性能优于非线性算法是意料之中的，因为就奖励计算结构而言，这个问题是线性的。

至于两个线性算法之间的差异，LinUCB 在开始时似乎有点不太顺利，但从长远来看，它要稍稍优于 LinTS（差距并不明显）。

利用臂特征的推荐

上述 MovieLens 示例存在一些缺点：其操作是选择电影，算法必须为每部电影学习独特的模型，而且难以在系统中引入新电影。为此，我们对环境稍加修改：不把每部电影当作一个独立的操作，而是利用特征对电影进行建模，就像用户一样，使用“V”行代表电影特征。然后模型只需要学习一个奖励函数即可，其输入是用户特征“u”和电影特征“v”。这样，我们的系统就可以接受不限数量的电影，而且可以实时引入新的电影。点击这里，了解此版本环境的相关详情。

这里
https://github.com/tensorflow/agents/blob/master/tf_agents/bandits/environments/movielens_per_arm_py_environment.py

1. 在每臂特征环境中运行的智能体

在我们库中实现的大多数智能体都具有这样一种功能，可以在具有其操作特征的环境中运行（我们称这些环境为“每臂环境”）。

现在让我们看看不同的算法在 MovieLens 环境的每臂版本中表现如何。我们运行了三种算法的臂特征版本：LinUCB、LinTS 和 eps-Greedy。结果与上一节所述完全不同：在这种版本中，线性方法似乎无法找到操作和奖励之间的关系，而神经方法得出的结果则与非臂特征问题的结果类似。

神经算法找到最佳操作的概率仍有约 45%，而线性算法只有约 30%。

2. 新博弈算法

如果您在库内的智能体列表中没有找到合适的算法，则可以实现您自己的算法，但这并不复杂。您需要：

子类 tf_agents.policies.TFPolic 和
子类 tf_agents.agents.TFAgent。

3. TFPolicy

要定义一个策略，需要实现其私有成员函数 _distribution(...)。简而言之，这个函数会接收观察结果并输出操作分布情况（或者在具有确定性策略的情况下只输出一个操作）。

4. TFAgent

如上所述，智能体会负责训练策略。为此，TF 智能体的子类 TFAgent (sorry) 必须实现私有成员函数 _train()（除此之外，为了清晰起见，还省略了一些细节）。这个函数会接收成批的训练数据，并训练策略。

5. 新博弈环境

如果您想测试（新）算法，并且有关于环境的想法，也可轻松地在 TF-Agents 中加以实现。博弈环境有两个主要作用：(i) 生成观察结果，以及 (ii) 在智能体选择操作后返回奖励。通过定义这两个功能，可以很容易地创建环境类。

总结

在本文中，我们介绍了 TF-Agents Bandits 库，并展示了借此如何解决推荐问题。如果您想了解一下本篇文章中使用的环境和智能体，则可以直接使用这个可执行文件来运行这些智能体及更多内容。如果您想探索这个库或者只是想阅读更多相关信息，我们建议从这个教程开始。如果您有兴趣学习利用 MovieLens 数据集进行推荐的更多相关知识，您也可以查看另一个具有出色效果的库，其名为 TensorFlow Recommenders。

这个可执行文件
https://github.com/tensorflow/agents/blob/master/tf_agents/bandits/agents/examples/v2/train_eval_movielens.py
教程
http://tensorflow.google.cn/agents/tutorials/bandits_tutorial

协作者

TF-Agents Bandits 库由 Jesse Berent、Tzu-Kuo Huang、Kishavan Bhola、Sergio Guadarrama、Anoop Korattikara、Oscar Ramirez、Eugene Brevdo，以及 TF-Agents 团队的许多其他成员共同构建而成。