目录：
- MAB的定义及意义
- MAB算法
- ε-Greedy 算法
- UCB算法
- 汤普森抽样
一、MAB（Multi-Armed Bandit）的定义及意义
1、在推荐系统中，为了解决准确率和多样性的平衡问题就是经典的Exploit－Explore【利用与探索问题】。其中，Exploit表示的是利用当前用户的信息或者利用当前最优结果，Explore是通过探索用户未知的可能存在潜在兴趣的内容。MAB主要解决的问题就是探索与利用之间寻找一个平衡，从而使得最终的收益最大化。
二、MAB的算法
1、ε-Greedy 算法
ε-Greedy就是一种很机智的Bandit算法：它让每次机会以ε的概率去“探索”，1-ε的概率来“开发”。
优点：
（1）能够应对用户兴趣的变化，能够以一定的概率ε探索用户未知的兴趣
（2）以1-ε概率充分利用当前的信息，选择最优的结果
在此基础上，又能引申出很多值得研究的问题：如ε应该如何设定呢？它应不应该随着时间而变？因为随着探索次数的增多，好的选择自然浮现得比较明显了。
ε大则使得模型有更大的灵活性（能更快的探索到未知，适应变化），ε小则会有更好的稳定性（有更多机会去“开发”）。
2、Upper Confidence Bounds算法 (UCB)
UCB 算法全称是 Upper Confidence Bound，即置信区间上界。它是计算每个臂的平均收益与该收益的不确定性来作为最终得分。公式如下：
其中，i 表示当前的臂，t 表示目前的尝试次数，Ti,t 表示臂 i 被选中的次数。公式加号左边表示臂 i 当前的平均收益，右边表示该收益的 Bonus ，本质上是均值的标准差，反应了候选臂效果的不确定性，就是置信区间的上边界。
UCB 算法的流程如下：
（1）对所有臂先尝试一次
（2）按照公式计算每个臂的最终得分
（3）选择得分最高的臂作为本次结果
UCB 算法为什么有效？
（1）当一个臂的平均收益较大时，也就是公式左边较大，在每次选择时占有优势
（2）当一个臂被选中的次数较少时，即 Tit 较小，那么它的收益Bonus 较大，在每次选择时占有优势
3、Thompson Sampling 算法
每个臂是否产生收益的概率 p 的背后都对应一个 beta 分布。我们将 beta 分布的 α 参数看成是推荐后用户的点击次数， β 参数看成是推荐后用户未点击的次数。
汤普森算法主要流程：
（1）每个臂都维护一个 beta 分布的参数，获取每个臂对应的参数 α 和 β，然后使用 beta 分布生成随机数；
（2）选取生成随机数最大的那个臂作为本次结果；
（3）观察用户反馈，如果用户点击则将对应臂的 α 加 1，否则 β 加 1。在实际的推荐系统中，需要为每个用户保存一套参数，假设有m个用户，n个臂（选项可以是物品，也可以是策略）， 每个臂包含 α 和 β 两个参数，所以最后保存的参数的总个数是 2mn。
为什么汤普森采样算法有效？
（1）当尝试的次数较多时，即每个臂的 α + β 的值都很大，这时候每个臂对应的 beta 分布都会很窄，也就是说，生成的随机数都非常接近中心位置，每个臂的收益基本确定了。
（2）当尝试的次数较少时，即每个臂的 α + β 的值都很小，这时候每个臂对应的 beta 分布都会很宽，生成的随机数有可能会比较大，增加被选中的机会。
（3）当一个臂的 α + β 的值很大，并且 α/(α + β) 的值也很大，那么这个臂对应的 beta 分布会很窄，并且中心位置接近 1 ，那么这个臂每次选择时都很占优势。
