Multi-armed bandit (MAB) problem is

Multi-armed bandit (MAB) problem is derived from slot machines in the casino. It is about
how a gambler could pull the arms in order to maximize total reward. In this sense, the
gambler needs to decide which arm to explore in order to gain more knowledge, and which
arm to exploit in order to guarantee the total payoff. This problem is also very common in
real world, such as automatic content selection. The website is like a gambler. It needs to
select proper content to recommend to the visitors, trying to maximize click through rate
(CTR). Bandit algorithms are very suitable for this kind of issue. Because they are able to
deal with exploration and exploitation trade-off with high churning data. When context
is considered during content selection, we model it as contextual bandit problems. In this
thesis, we evaluate several popular bandit algorithms in different bandit settings. And we
propose our own approach to solve a real world automatic content selection case. Our
experiments demonstrate that bandit algorithms are efficient in automatic content selection.
But we have to customize the solution in each different case.
iii

Kết quả (Việt) 1:

Vấn đề đa vũ trang cướp (MAB) có nguồn gốc từ máy khe trong casino. It's aboutlàm thế nào một con bạc có thể kéo cánh tay để tối đa hóa tất cả các phần thưởng. Trong ý nghĩa này, cáccon bạc cần phải quyết định mà cánh tay để khám phá để đạt được kiến thức hơn, và đócánh tay để khai thác nhằm đảm bảo tổng số tiền chi trả. Vấn đề này cũng là rất phổ biến ởthế giới thực, chẳng hạn như tự động lựa chọn nội dung. Trang web này là giống như một con bạc. Nó cần phảichọn đúng nội dung giới thiệu cho du khách, cố gắng để tăng tối đa tỷ lệ bấm qua(CTR). Thuật toán cướp đang rất thích hợp cho loại của vấn đề. Bởi vì họ có thểđối phó với thăm dò và khai thác thương mại-off với cao dữ liệu khuấy. Khi bối cảnhđược coi là trong quá trình lựa chọn nội dung, chúng tôi mô hình nó theo ngữ cảnh như bandit vấn đề. Trong nàyluận văn tốt nghiệp, chúng tôi đánh giá một số thuật toán phổ biến bandit trong cài đặt khác nhau cướp. Và chúng tôiđề xuất phương pháp tiếp cận của chúng tôi để giải quyết một trường hợp tự động lựa chọn nội dung của thế giới thực. Của chúng tôithí nghiệm chứng minh rằng các thuật toán cướp hiệu quả trong tự động lựa chọn nội dung.Nhưng chúng ta phải tùy chỉnh các giải pháp trong mỗi trường hợp khác nhau.III

Kết quả (Việt) 2:

Chia nhiều nhánh (MAB) vấn đề có nguồn gốc từ các máy khe trong các casino. Đó là khoảng
cách một con bạc có thể kéo tay để tối đa hóa tổng phần thưởng. Trong ý nghĩa này, các
con bạc cần phải quyết định mà cánh tay để khám phá để đạt được kiến thức nhiều hơn, và đó
cánh tay để khai thác nhằm đảm bảo tổng số tiền chi trả. Vấn đề này cũng rất phổ biến trong
thế giới thực, chẳng hạn như lựa chọn nội dung tự động. Trang web này cũng giống như một con bạc. Nó cần phải
lựa chọn nội dung thích hợp để giới thiệu cho du khách, cố gắng tối đa hóa tỷ lệ nhấp chuột
(CTR). Thuật toán Bandit là rất thích hợp cho các loại vấn đề. Bởi vì họ có thể
đối phó với thăm dò và khai thác thương mại-off với dữ liệu khuấy động hơi cao. Khi bối cảnh
được xem xét trong lựa chọn nội dung, chúng ta mô hình nó như là vấn đề tên cướp theo ngữ cảnh. Trong
luận án, chúng tôi đánh giá một số thuật toán cướp phổ biến trong cài đặt tên cướp khác nhau. Và chúng tôi
đề xuất cách tiếp cận của chúng tôi để giải quyết một thế giới thực trường hợp lựa chọn nội dung tự động. Chúng tôi
thí nghiệm chứng minh rằng các thuật toán cướp có hiệu quả trong việc lựa chọn nội dung tự động.
Nhưng chúng ta phải chế biến các giải pháp trong từng trường hợp khác nhau.
Iii