Hierarchische Kontext‑Uplift‑Bandits steigern Personalisierung von Katalogen

Ein neues Framework namens Hierarchical Contextual Uplift Bandits wurde entwickelt, um die Personalisierung von Katalogen in dynamischen Umgebungen wie Fantasy‑Sports-Plattformen zu verbessern. Während klassische Contextual‑Bandit‑Algorithmen häufig mit schnellen Änderungen im Nutzerverhalten und plötzlichen Verschiebungen der Belohnungsverteilung kämpfen, bietet das neue System eine adaptive Lösung.

Das Modell passt die Kontextgranularität dynamisch an – von breiten, systemweiten Einsichten bis hin zu detaillierten, nutzerspezifischen Kontexten. Durch die Nutzung von Kontextähnlichkeiten wird ein effektiver Transfer von Policies ermöglicht, wodurch das Problem des Cold‑Starts reduziert wird. Zusätzlich integriert das System Prinzipien des Uplift‑Modellings, um die Wirkung einzelner Empfehlungen präziser zu bewerten.

Groß angelegte A/B‑Tests auf der Dream11‑Fantasy‑Sports-Plattform zeigten, dass die Methode die Empfehlungsqualität deutlich steigert. Die Ergebnisse umfassen eine Umsatzverbesserung von 0,4 % sowie höhere Kennzahlen zur Nutzerzufriedenheit im Vergleich zum bestehenden Produktionssystem. Nach der Einführung des Systems als Standard‑Personalisierungsmechanismus im Mai 2025 konnte ein weiterer Umsatzzuwachs von 0,5 % verzeichnet werden.

Diese Erfolge unterstreichen das Potenzial von Hierarchical Contextual Uplift Bandits für die Optimierung von Empfehlungssystemen in schnelllebigen, datenintensiven Bereichen und eröffnen neue Möglichkeiten für ähnliche Anwendungen in anderen Branchen.