基于Hier-SUCB的交互式可视化推荐
Interactive Visualization Recommendation with Hier-SUCB
AI总结：
本文针对个性化可视化推荐缺乏交互性和实时反馈适应能力的问题，提出基于用户反馈学习的交互式PVisRec系统，并设计Hier-SUCB上下文组合半老虎机算法，在理论上改善遗憾界，实验证明其优于其他老虎机算法且可与离线方法相媲美。
摘要：
可视化推荐旨在实现对大规模数据集的快速可视化分析。在现实场景中，快速收集并理解用户偏好至关重要，以覆盖来自不同背景的用户，包括不同的技能水平和分析任务。以往针对个性化可视化推荐的方法是非交互式的，并且依赖新用户的初始用户数据。因此，这些模型无法有效探索选项或适应实时反馈。为了解决这一局限，我们提出了一种交互式个性化可视化推荐（PVisRec）系统，该系统根据用户先前交互中的反馈进行学习。为了实现更具交互性和更准确的推荐，我们提出了Hier-SUCB，这是PVisRec场景下的一种上下文组合半老虎机算法。理论上，我们证明了在时间阶数相同的情况下，整体遗憾界得到改善，同时动作空间的阶数也得到改善。我们进一步通过大量实验证明了Hier-SUCB的有效性，在可视化推荐场景中，其性能可与离线方法相媲美，并优于其他老虎机算法。
英文摘要：
Visualization recommendation aims to enable rapid visual analysis of massive datasets. In real-world scenarios, it is essential to quickly gather and comprehend user preferences to cover users from diverse backgrounds, including varying skill levels and analytical tasks. Previous approaches to personalized visualization recommendations are non-interactive and rely on initial user data for new users. As a result, these models cannot effectively explore options or adapt to real-time feedback. To address this limitation, we propose an interactive personalized visualization recommendation (PVisRec) system that learns on user feedback from previous interactions. For more interactive and accurate recommendations, we propose Hier-SUCB, a contextual combinatorial semi-bandit in the PVisRec setting. Theoretically, we show an improved overall regret bound with the same rank of time but an improved rank of action space. We further demonstrate the effectiveness of Hier-SUCB through extensive experiments where it is comparable to offline methods and outperforms other bandit algorithms in the setting of visualization recommendation.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
