# Bandits for Recommender Systems

- 发布方：eugeneyan.com（Eugene Yan 个人博客）；作者：Eugene Yan
- 形式：文章 · en
- 原始资源：[https://eugeneyan.com//writing/bandits/](<https://eugeneyan.com//writing/bandits/>)
- 本站页面：[https://oplearnx.com/resources/res\_rbbpw5s78nte](<https://oplearnx.com/resources/res_rbbpw5s78nte>)
- 学习主题：数据科学 / 数据挖掘与推荐；人工智能 / 机器学习；人工智能 / 机器学习 / 强化学习
- 内容状态：状态待核验
- 原始发布时间：未知（待核验）
- 本站首次收录：2026-10-21 00:11

## 能学到什么

理解并区分 ε-greedy、UCB、Thompson Sampling 三类老虎机算法，了解它们在推荐系统工业实践中的落地方式与取舍。

- 解释推荐系统中反馈回路问题，以及为什么需要探索
- 说明 action/arm、reward、value、policy 等老虎机基本术语
- 描述 ε-greedy 的工作原理及其探索方面的局限
- 说明 UCB 如何用置信上界建模不确定性并做选择
- 说明 Thompson Sampling 如何用 Beta 分布与采样平衡探索与利用
- 举出若干工业界用 ε-greedy、UCB、Thompson Sampling 做推荐的案例
- 了解用 bootstrap、dropout 等深度学习方法建模不确定性的思路

## 适合我吗

- 适合：适合做推荐系统、想在冷启动与快速变化的物品集上引入探索机制的学习者，也适合作为强化学习/多臂老虎机概念在工业场景中的入门读本。
- 需要留意：不适合想从零系统学强化学习理论、或需要配套代码实操的读者；文章偏概念与案例综述，未提供完整实现代码。

## 前置条件与费用

- 知识前置：需要了解推荐系统基本流程（候选生成、排序）与基础概率统计概念（分布、均值、置信区间）。
- 软件、账号与硬件：只需浏览器即可阅读，无需安装环境或注册账号。
- 内容费用：免费：节选可直接读到文章正文全部主要章节内容，无付费墙或登录提示。
- 实践费用：实践无额外费用：文章为阅读型材料，未涉及需要付费的云服务、API 或 GPU。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- 浏览器：阅读文章并打开文中引用论文链接

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词

```text
请帮我把「Bandits for Recommender Systems」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://eugeneyan.com//writing/bandits/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：浏览器或在线环境。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：读完可为每种算法写一段简短对照笔记，并挑一个自己的推荐场景判断更适合哪种探索策略。
课节（官方顺序）：
1. Bandits for Recommender Systems（全文）：https://eugeneyan.com//writing/bandits/

1. 环境
- 浏览器
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://eugeneyan.com//writing/bandits/
3. 目录（最外层放在我确认的位置）
bandits-for-recommender-systems/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.md     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-bandits-for-recommender-systems/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 打开 https://eugeneyan.com//writing/bandits/ 确认正文完整显示  → 能看到 ε-greedy、UCB、Thompson Sampling 及 Industry examples 等小节
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Bandits for Recommender Systems」。课程目录是 bandits-for-recommender-systems/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Bandits for Recommender Systems（全文）](<https://eugeneyan.com//writing/bandits/>)

## 指南参考

- [课程主页](<https://eugeneyan.com//writing/bandits/>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：开课提示词尚未实际运行验证
- 转载与修改 · 课程页面与材料：未找到明确许可。网页未写明许可协议，节选中也未出现 CC 或开源许可声明 [依据](<https://eugeneyan.com//writing/bandits/>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）