🤖 machine learning

Contextual Scalarisation Thompson Sampling for multi-objective decisions in public media

यह शोध पत्र कॉन्टेक्स्टुअल स्केलरिसेशन थॉमसन सैंपलिंग (CSTS) को प्रस्तुत करता है, जो एक मल्टी-ऑब्जेक्टिव कॉन्टेक्स्टुअल बैंडिट एल्गोरिदम है जो संदर्भ के आधार पर प्रतिस्पर्धी संपादकीय उद्देश्यों को भारित करने के लिए गतिशील रूप से सीखता है, और स्विस नेशनल ब्रॉडकास्टर के वास्तविक डेटा पर बेहतर प्रासंगिकता और विशेषज्ञ क्यूरेशन के साथ संरेखण प्रदर्शित करता है।

मूल लेखक: Théo Maëtz, Luc Guillet, Andrea Cavallaro

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Théo Maëtz, Luc Guillet, Andrea Cavallaro

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही प्रसिद्ध, सार्वजनिक रूप से वित्तपोषित (public-funded) रेस्तरां के मुख्य शेफ हैं। आपका काम केवल दिन का सबसे लोकप्रिय व्यंजन परोसना नहीं है; आपका मिशन बहुत जटिल है। आपको यह सुनिश्चित करना होगा कि:

रेस्तरां भरा रहे: आपके पास पर्याप्त ग्राहक होने चाहिए (दर्शक/Audience)।
मेन्यू विविध हो: आप हर रात सिर्फ पिज्जा नहीं परोस सकते; अलग-अलग स्वादों के लिए विविधता की आवश्यकता है (विविधता/Diversity)।
आप नई चीजें आजमाएं: आपको कभी-कभी ताजी सामग्री पेश करने की आवश्यकता होती है (नवीनता/Novelty)।
आप पर मुकदमा न हो: आपको उन सख्त अनुबंधों का सम्मान करना होगा कि आप किन सामग्रियों का उपयोग कर सकते हैं और वे कब समाप्त हो रही हैं (अधिकार/Rights)।
आप प्रतियोगिता को मात दें: यदि बगल वाला रेस्तरां एक बड़ा स्टेक परोस रहा है, तो शायद आपको अलग दिखने के लिए कुछ अलग परोसना चाहिए (प्रतियोगिता/Competition)।

अतीत में, इस सार्वजनिक प्रसारक, Radio Télévision Suisse (RTS) के शेफ (क्यूरेटर) को ये निर्णय मैन्युअल रूप से लेने पड़ते थे। वे हजारों फिल्मों को देखते थे और इन सभी प्रतिस्पर्धी लक्ष्यों को अपने दिमाग में संतुलित करने की कोशिश करते थे। यह कठिन, धीमा था और पूरी तरह से उनके व्यक्तिगत अनुभव पर निर्भर था।

यह पेपर एक नया "स्मार्ट असिस्टेंट" पेश करता है जिसे CSTS (Contextual Scalarisation Thompson Sampler) कहा जाता है ताकि उन्हें मदद मिल सके। यह कैसे काम करता है, इसे सरल भाषा में यहाँ समझाया गया है:

1. "एक ही नियम सबके लिए" की समस्या

अधिकांश अनुशंसा प्रणाली (जैसे Netflix या Spotify) एक ही लक्ष्य चुनती हैं: "इससे सबसे अधिक क्लिक कैसे मिलेंगे?" या "सबसे लोकप्रिय क्या है?"

कुछ प्रणालियाँ लक्ष्यों को संतुलित करने की कोशिश करती हैं, लेकिन वे निश्चित नियमों का उपयोग करती हैं। कल्पना कीजिए कि एक शेफ ने निर्णय लिया है, "मैं हमेशा दर्शकों के आकार की तुलना में नवीनता को प्राथमिकता दूँगा।" यह शुक्रवार की रात की पार्टी के लिए काम कर सकता है, लेकिन मंगलवार सुबह के शांत समाचार स्लॉट के लिए यह एक आपदा होगी। पेपर का तर्क है कि एक अच्छे निर्णय का "नुस्खा" स्थिति के आधार पर बदलना चाहिए (संदर्भ/context)।

2. समाधान: एक गिरगिट जैसा शेफ

CSTS सिस्टम एक गिरगिट जैसे शेफ की तरह है। इसके पास कोई निश्चित नियम पुस्तिका नहीं है। इसके बजाय, यह वर्तमान के "मौसम" के आधार पर अपनी प्राथमिकताओं को बदलने के लिए सीखता है।

सामग्री (मूल्य संकेत/Value Signals): सिस्टम प्रत्येक मूवी कैंडिडेट को पांच अलग-अलग "स्वादों" पर स्कोर देता है: दर्शक, विविधता, नवीनता, अधिकार और प्रतियोगिता।
संदर्भ (मौसम/Context): यह विशिष्ट समय स्लॉट को देखता है। क्या यह शुक्रवार की रात है? क्या यह कोई छुट्टी है? क्या कोई प्रतिद्वंद्वी चैनल एक बड़ी फिल्म दिखा रहा है?
जादू (कॉन्टेक्स्टुअल स्केलरलाइजेशन/Contextual Scalarisation): सिस्टम इन पांच स्वादों को एक एकल "स्वाद स्कोर" में मिलाना सीखता है।
- उदाहरण: शुक्रवार की रात को, यह तय कर सकता है, "ठीक है, चलिए 40% दर्शक, 30% नवीनता और 30% विविधता का मिश्रण करते हैं।"
- उदाहरण: मंगलवार की सुबह को, यह स्विच कर सकता है, "चलिए 10% दर्शक, 50% अधिकार (हमें समाप्त हो रहे अनुबंधों का उपयोग करने की आवश्यकता है) और 40% विविधता का मिश्रण करते हैं।"

3. यह कैसे सीखता है ("जुआरी" का उदाहरण)

सिस्टम थॉम्पसन सैंपलिंग (Thompson Sampling) नामक तकनीक का उपयोग करता है। इसे एक स्मार्ट जुआरी के रूप में सोचें जो क्या काम करता है, इसका एक नोटबुक रखता है।

हर बार जब मानव शेफ कोई चुनाव करता है, तो सिस्टम अपने नोटबुक की जांच करता है।

यदि सिस्टम ने उस स्थिति के लिए सही "स्वादों के मिश्रण" का अनुमान लगाया, तो उसे थम्स अप मिलता है।
यदि उसने गलत अनुमान लगाया, तो वह सीखता है।
महत्वपूर्ण बात यह है कि सिस्टम नई स्थितियों के बारे में अनिश्चित रहता है। जब वह अनिश्चित होता है, तो वह यह देखने के लिए कि क्या होता है, कुछ अलग "मिश्रण" आजमाता है (एक्सप्लोरेशन/exploration)। जैसे-जैसे उसे अधिक डेटा मिलता है, वह अधिक आत्मविश्वासी हो जाता है और जो काम करता है उसी पर टिका रहता है (एक्सप्लोइटेशन/exploitation)।

यह इसे एक सामान्य औसत के बजाय प्रत्येक विशिष्ट समय स्लॉट के लिए एकदम सही संतुलन खोजने की अनुमति देता है।

4. जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

शोधकर्ताओं ने इस असिस्टेंट का परीक्षण स्विस प्रसारक के दो साल के वास्तविक डेटा का उपयोग करके किया। उन्होंने इसकी तुलना निम्नलिखित से की:

निश्चित नियम (Fixed Rules): एक प्रणाली जो अपनी प्राथमिकताओं को कभी नहीं बदलती।
मानक AI (Standard AI): ऐसी प्रणालियाँ जो केवल सबसे लोकप्रिय फिल्में देखती हैं।
मानव विशेषज्ञ (Human Experts): क्यूरेटरों द्वारा किए गए वास्तविक चुनाव।

परिणाम:

"वाइब" को समझने में बेहतर: CSTS सिस्टम अन्य प्रणालियों की तुलना में विशिष्ट संदर्भ (जैसे शनिवार सुबह के लिए एक पारिवारिक फिल्म ढूंढना) के अनुकूल फिल्में खोजने में बहुत बेहतर था। इसने उपयुक्त विकल्पों को खोजने में 98.7% प्रासंगिकता दर हासिल की, जो निश्चित-नियम प्रणाली (92.0%) और मानक AI (80.0%) से बेहतर थी।
केवल इतिहास की नकल नहीं करना: दिलचस्प बात यह है कि "निश्चित नियम" वाली प्रणाली अतीत में मानव द्वारा चुनी गई सटीक फिल्म का अनुमान लगाने में थोड़ी बेहतर थी। हालांकि, लेखक तर्क देते हैं कि मनुष्य कभी-कभी असंगत या उप-इष्टतम (suboptimal) निर्णय लेते हैं। CSTS उस विशिष्ट स्थिति के लिए सर्वश्रेष्ठ संभव फिल्म खोजने में बेहतर है, भले ही वह पिछली बार मानव द्वारा चुनी गई सटीक फिल्म न हो।
संतुलन बनाना: सिस्टम ने निश्चित नियमों की तुलना में "अधिकारों" (समाप्त हो रहे अनुबंधों का उपयोग करना) और "विविधता" को अधिक बार प्राथमिकता देने में सफलता प्राप्त की, जबकि निश्चित नियम "नवीनता" के प्रति जुनूनी थे।

निष्कर्ष

पेपर का दावा है कि CSTS एक निर्णय-सहायता उपकरण (decision-support tool) है जो मानव क्यूरेटरों को फिल्मों के विशाल पुस्तकालय को प्रबंधित करने में मदद करता है। हर निर्णय के लिए एक ही, कठोर सेट के नियम लागू करने के बजाय, यह एक लचीले विशेषज्ञ के रूप में कार्य करता है जो जानता है: "अभी, इस विशिष्ट समय स्लॉट के लिए, हमें X पर ध्यान केंद्रित करने की आवश्यकता है, लेकिन अगले सप्ताह हमें Y पर ध्यान केंद्रित करने की आवश्यकता है।"

यह मानव शेफ की जगह नहीं लेता है; यह उन्हें शीर्ष 5 सर्वश्रेष्ठ विकल्पों की एक शॉर्टलिस्ट देता है जो वर्तमान "मौसम" के साथ पूरी तरह मेल खाते हैं, जिससे अंतिम निर्णय लेने का मानव का काम बहुत आसान और अधिक प्रभावी हो जाता है।

तकनीकी सारांश: सार्वजनिक मीडिया में बहु-उद्देश्यीय निर्णयों के लिए कॉन्टेक्स्टुअल स्केलरइजेशन थॉम्पसन सैंपलिंग (CSTS)

समस्या विवरण
सार्वजनिक सेवा मीडिया संगठनों को प्रोग्रामिंग शेड्यूलिंग करते समय एक जटिल बहु-उद्देश्यीय अनुकूलन (multi-objective optimization) समस्या का सामना करना पड़ता है। वाणिज्यिक प्रणालियों के विपरीत, जो अक्सर अल्पकालिक जुड़ाव को प्राथमिकता देती हैं, सार्वजनिक प्रसारकों को दर्शकों की पहुंच (audience reach), सांस्कृतिक मूल्यों, विविधता, स्थानीय प्रासंगिकता, अल्पसंख्यक प्रतिनिधित्व और परिचालन संबंधी बाधाओं (जैसे कि अधिकार प्रबंधन और बजट) जैसे प्रतिस्पर्धी मानदंडों के बीच संतुलन बनाना होता है। पारंपरिक दृष्टिकोण निश्चित संयोजनों या पारेटो-आधारित अनुकूलन (Pareto-based optimization) पर निर्भर करते हैं, जो विभिन्न प्रसारण संदर्भों (जैसे कि टाइम स्लॉट, सीजन या प्रतिस्पर्धी कार्यक्रम) के अनुसार बदलती प्राथमिकताओं के अनुकूल होने में विफल रहते हैं। इसके अलावा, मौजूदा शेड्यूलिंग टूल में अक्सर गतिशील रूप से संपादकीय ट्रेडऑफ़ (editorial tradeoffs) को मॉडल करने की क्षमता की कमी होती है, जिससे क्यूरेटरों को प्रत्येक निर्णय के लिए कारकों को मैन्युअल रूप से तौलना पड़ता है, जो बड़े कैटलॉग के साथ स्केल करने योग्य नहीं है।

कार्यप्रणाली
लेखक कॉन्टेक्स्टुअल स्केलरइजेशन थॉम्पसन सैंपलिंग (CSTS) का प्रस्ताव करते हैं, जो एक बहु-उद्देश्यीय कॉन्टेक्स्टुअल बैंडिट एल्गोरिदम है जिसे कई वैल्यू सिग्नल्स के लिए संदर्भ-निर्भर भार (context-dependent weights) सीखने के लिए डिज़ाइन किया गया है।

फ्रेमवर्क: CSTS शेड्यूलिंग समस्या को एक कॉन्टेक्स्टुअल मल्टी-आर्म्ड बैंडिट के रूप में स्वरूपित करता है। प्रत्येक समय चरण $t$ पर, एक संदर्भ $x_{c,t}$ (जो स्लॉट, चैनल, सीजन और प्रतियोगिता का वर्णन करता है) और संभावित क्रियाओं के एक सेट $A_t$ (उपलब्ध फिल्में) को देखते हुए, सिस्टम $N$ बाउंडेड वैल्यू सिग्नल्स $\phi(a_t, x_{c,t})$ का एक वेक्टर कंप्यूट करता है। इस अध्ययन में, $N=5$ है, जो प्रतिनिधित्व करते हैं:
1. दर्शक क्षमता (Audience potential)
2. विविधता (Diversity)
3. नवीनता (Novelty)
4. प्रतियोगिता (समानांतर प्रसारित कार्यक्रम)
5. अधिकार/अनुबंध प्रबंधन (Rights/Contract management)
अनुकूली स्केलरइजेशन (Adaptive Scalarisation): स्थिर वैश्विक भार (fixed global weights) का उपयोग करने के बजाय, CSTS एक वेटिंग फंक्शन $w(x_{c,t})$ सीखता है जो संदर्भ को उद्देश्यों के ऊपर एक प्रोबेबिलिटी वेक्टर पर मैप करता है। इसे एक लीनियर गेटिंग मॉडल के रूप में पैरामीटराइज किया गया है जिसे सॉफ्टमैक्स फंक्शन के माध्यम से पास किया जाता है:
$w_\theta(x_{c,t}) = \text{softmax}(U x_{c,t} + b)$
इसके बाद एक क्रिया के लिए स्केलर उपयोगिता (scalar utility) इन संदर्भ-निर्भर भारों और वैल्यू सिग्नल वेक्टर के डॉट प्रोडक्ट के रूप में गणना की जाती है: $u(a_t, x_{c,t}) = w_\theta(x_{c,t})^\top \phi(a_t, x_{c,t})$ ।
एक्सप्लोरेशन रणनीति: एक्सप्लोरेशन और एक्सप्लोइटेशन के बीच संतुलन बनाने के लिए, एल्गोरिदम मॉडल पैरामीटर्स $\theta = (U, b)$ पर थॉम्पसन सैंपलिंग का उपयोग करता है। प्रत्येक चरण पर, यह वर्तमान अनुमान (जहाँ अनिश्चितता को RMS-प्रकार के संचयक के माध्यम से मॉडल किया जाता है) के वितरण से पैरामीटर्स $\tilde{\theta}_t$ को सैंपल करता है। यह सिस्टम को आइटम स्कोर में मनमाना शोर डालने के बजाय उद्देश्यों के बीच विभिन्न संभावित ट्रेडऑफ़ को खोजने (explore करने) की अनुमति देता है।
लर्निंग और फीडबैक: सिस्टम लॉजिस्टिक लॉस फंक्शन का उपयोग करके बाइनरी फीडबैक (क्यूरेटर चयन) के आधार पर पैरामीटर्स को अपडेट करता है। इसके अतिरिक्त, यह विशिष्ट सिग्नल प्राथमिकताओं के संबंध में स्पष्ट क्यूरेटर फीडबैक के साथ भार को संरेखित करने के लिए एक सहायक लॉस (auxiliary loss) को शामिल करता है, जो प्रभावी रूप से मॉडल को संपादकीय इरादे की ओर निर्देशित करता है।

प्रमुख योगदान

संदर्भ-निर्भर भारण (Context-Dependent Weighting): पूर्ववर्ती कार्यों के विपरीत, जो स्थिर भार या स्थिर पारेटो फ्रंटियर पर निर्भर करते हैं, CSTS देखे गए संदर्भ के आधार पर उद्देश्यों के सापेक्ष महत्व को गतिशील रूप से समायोजित करता है।
व्याख्यात्मकता और दक्षता: अनुशंसा की गुणवत्ता को बाउंडेड वैल्यू सिग्नल्स में विघटित करके और एक संदर्भ-निर्भर वेट वेक्टर सीखकर, यह विधि बहु-उद्देश्यीय समस्याओं को संभालते हुए भी स्केलर रिवॉर्ड बैंडिट्स की डेटा दक्षता और व्याख्यात्मकता को बनाए रखती है।
निर्णय सहायता प्रणाली: यह दृष्टिकोण विशेष रूप से मानव क्यूरेटरों की सहायता करने के लिए डिज़ाइन किया गया है, जो विशेषज्ञ क्यूरेशन प्रथाओं के अनुरूप संभावित उम्मीदवारों की एक रैंक की गई शॉर्टलिस्ट प्रस्तुत करता है, न कि पूरी तरह से स्वचालित शेड्यूलिंग के लिए।

परिणाम
लेखकों ने रेडियो टेलीविज़न स्विस (RTS) के दो साल के ऐतिहासिक प्रोग्रामिंग डेटा का उपयोग करके CSTS का मूल्यांकन किया, और इसकी तुलना स्थिर वैश्विक भार, दर्शक अधिकतमकरण (एकल-उद्देश्य), वैनिला थॉम्पसन सैंपलिंग और LinUCB से की।

कॉन्टेक्स्टुअल प्रासंगिकता: CSTS ने उच्चतम रिलैक्स्ड कॉन्टेक्स्टुअल रेलेवेंस (Hit@10 = 98.7%, NDCG@10 = 0.376) प्राप्त किया, जो वैनिला थॉम्पसन सैंपलिंग (80.0%) और स्थिर भार (92.0%) से काफी बेहतर है। यह संदर्भ-विशिष्ट भार को अनुकूलित करने के लाभ को प्रदर्शित करता है।
स्ट्रिक्ट मैचिंग: स्ट्रिक्ट मैचिंग के तहत (जहाँ प्रासंगिकता केवल ऐतिहासिक रूप से चुनी गई फिल्म के रूप में परिभाषित है), स्थिर वैश्विक भार थोड़ा बेहतर प्रदर्शन करते हैं (CSTS के 18.7% बनाम 20.0% Hit@10)। लेखक इसका श्रेय इस तथ्य को देते हैं कि कुछ ऐतिहासिक चुनाव अंतिम समय की बाधाओं के प्रति तात्कालिक प्रतिक्रियाएं थे जिन्हें संदर्भ विशेषताओं में पूरी तरह से कैप्चर नहीं किया गया था, और विशेषज्ञ-निर्धारित वैश्विक भार एक मजबूत बेसलाइन के रूप में कार्य करते हैं।
ट्रेडऑफ़ विश्लेषण: CSTS ने स्थिर विधियों की तुलना में एक विशिष्ट प्रेफरेंस प्रोफाइल दिखाया। जबकि स्थिर सिफारिशें लगातार नवीनता (Novelty) का पक्ष लेती थीं, CSTS ने 4 में से 3 परीक्षण किए गए संदर्भों में विविधता (Diversity) और अधिकारों की तात्कालिकता (Rights urgency) को प्राथमिकता देना सीखा, जो कैटलॉग दक्षता और अधिकार प्रबंधन के साथ अधिक निकटता से संरेखित है।
एब्लेशन स्टडीज (Ablation Studies): किसी भी एकल वैल्यू सिग्नल को हटाने से प्रदर्शन में गिरावट आई, जो बहु-उद्देश्यीय दृष्टिकोण की आवश्यकता की पुष्टि करता है। "प्रतियोगिता" या "दर्शक" सिग्नल्स को हटाने से प्रासंगिकता में सबसे बड़ी गिरावट आई। एक्सप्लोरेशन ट्यूनिंग (पैरामीटर $\kappa$ के माध्यम से) ने दिखाया कि मध्यम एक्सप्लोरेशन सर्वोत्तम सटीकता प्रदान करता है, जो ओवरफिटिंग को रोकता है जबकि कवरेज बनाए रखता है।

महत्व और दावे
पेपर का दावा है कि CSTS स्थिर-भार या मानक कॉन्टेक्स्टुअल बैंडिट दृष्टिकोणों की तुलना में कॉन्टेक्स्टुअल रेलेवेंस और विशेषज्ञ क्यूरेशन प्रथाओं के साथ संरेखण में महत्वपूर्ण सुधार प्रदान करता है। यह सफलतापूर्वक प्रदर्शित करता है कि एक बहु-उद्देश्यीय बैंडित, बिना किसी स्थिर, 'वन-साइज़-फिट्स-ऑल' नीति की आवश्यकता के, सार्वजनिक सेवा मीडिया शेड्यूलिंग में निहित ट्रेडऑफ़ को नेविगेट करना सीख सकता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि CSTS प्रासंगिक स्लेट्स की प्राप्ति में सुधार करता है, लेकिन यह अभी तक क्यूरेटरों के सटीक ऐतिहासिक विकल्पों की पूरी तरह से नकल नहीं कर पाता है, जो यह सुझाव देता है कि मानवीय निर्णय लेने में कैप्चर किए गए संदर्भ फीचर्स से परे कारक शामिल होते हैं। वे इस बात पर जोर देते हैं कि यह प्रणाली मानव संपादकीय निर्णय के विकल्प के रूप में नहीं, बल्कि बड़े कैटलॉग को नेविगेट करने में मदद करने के लिए एक निर्णय सहायता उपकरण (decision support tool) के रूप में है। भविष्य के कार्य के रूप में हैंड-क्राफ्टेड सिग्नल्स से एक अधिक व्यवस्थित डिजाइन प्रक्रिया की ओर बढ़ने और डिजिटल दर्शक माप को एकीकृत करने का प्रस्ताव दिया गया है।

1. "एक ही नियम सबके लिए" की समस्या

2. समाधान: एक गिरगिट जैसा शेफ

3. यह कैसे सीखता है ("जुआरी" का उदाहरण)

4. जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

निष्कर्ष

इसी तरह के और पेपर