Algorithm 上下文Bandit方法：不相交线性模型的算法1 LinUCB

我试图用本文“个性化新闻文章推荐的上下文Bandit方法”中不相交的线性模型实现名为LinUCB的算法

这是算法：

我对向量Xt，a的特征感到困惑（我在算法中强调）。 特征向量与文章（arm）或用户的信息（上下文）相关吗

谢谢你的帮助。

---

谢谢

特征向量x\t，a适用于用户和手臂

向量xt，a总结了用户ut和arm a两者的信息， 并将被称为上下文

---

在最一般的情况下，允许特征向量X_u（t，a）是用户上下文c_t和臂a两者的函数，或者X_u（t，a）=φ（c_t，a）。请注意，这可能只是一个子集：每个手臂可能有不同的特征用于预测结果，或者换句话说，X_t（t，a）是c_t的一个子集

例如，如果一个电影推荐网站正在决定推荐哪部电影，那么在试图预测用户是否喜欢科幻电影和戏剧电影时，他们可能需要用户提供不同的信息。这种不同的信息反映在这样一个事实上，即允许特征因arm而异

---

或者，可能是X_uT（t，a）对于所有a都相同的情况，即X_t（t，a）=X_t。例如，当试图学习最佳药物剂量时，算法可能希望了解所有患者的身高、体重和年龄。在这种情况下，功能不会因arm而异。

谢谢。你能给我举个例子吗？