read: fail

넷플릭스는 장기적인 회원 만족을 목표로 하며, 이를 위해 개인화 추천 알고리즘을 중요하게 활용합니다. 추천 시스템은 컨텍스트 밴딧 문제로 보고, 다양한 피드백 신호를 통해 보상 함수를 정의하고 최적화합니다. 이 과정에서 지연된 피드백과 온라인-오프라인 메트릭 차이를 해결하는 것이 중요한 도전 과제입니다.

이 연구는 단기적인 결과를 개선하는 처리가 장기적인 결과에도 도움이 되는지, 또는 여러 단기 결과를 장기 이익과 최적으로 교환하는 방법을 다룹니다. Netflix에서는 실험의 분산된 실천에 적합한 선형 구조 모델을 제공하는 세 가지 추정기, 즉 TC, JIVE, LIML을 제안하여 대리 지표와 핵심 지표 간의 편향을 극복합니다.