案例位址： https://www.iyiou.com/p/62735 （以下為案例的簡要概述，便 于之後能快速檢索到相關内容。部分文字與圖檔可能直接來自原文，如有侵權請告知，謝謝）
1. 目标：在已有推薦結果的基礎上，選擇更可能吸引使用者的個性化海報配圖，進一步提高推薦結果點選率
2. 舉例： 1）對于看過很多愛情片的使用者，采用接吻鏡頭的劇照 2）對于看過很多喜劇片的使用者，采用羅賓•威廉姆斯（Robin Williams，著名喜劇演員）的劇照
3. 面臨的挑戰： 1）如何進行測評：有可能該推薦結果太好，不管我們采用哪張劇照使用者都會點選進去。如何檢驗點選率的增加是否來自于個性化的海報？ 2）對于一個使用者，當我們在多次推薦時采用不同的海報，是否會讓使用者誤解為是不同的電影？ 3）同一頁影片海報之間的影響。我們需要考慮到同一頁圖檔的多樣性，如果全是接吻劇照，那整個頁面可能會比較奇怪 4）在技術上進行大規模個性化配圖：需要在電影上映時快速響應，并且算法要不斷适應，因為觀衆的口味随影片的生命周期也可能産生變化
4. 采用“上下文老虎機”進行線上學習 1）“多臂老虎機”：當你進入一個賭場，你發現A老虎機赢的機率高，B老虎機赢的機率低，你當時一個政策是全是用A老虎機。但是接着往下，可能A老虎機赢的機率低，B老虎機反而一直吐錢了。 “多臂老虎機”就是合理利用現有資訊（如A老虎機勝率高），同時進行一些探索（試一試B老虎機，但資料探索有代價），尋找最優政策。 2）由于Netflix擁有大量使用者，探索過程分攤到使用者群裡，每個使用者受到的影響可以忽略不計，而Netflix就可以獲得訓練所需要的資料 3）采集的資料主要是三元組（使用者，影片，圖檔） 4）“上下文老虎機”即利用了上下文資料的圖檔推薦模型
5. 如何評估模型表現： 1）對于使用者群A，采用随機選擇海報的方式進行推薦 2）對于使用者群B，采用模型推薦的個性化海報 3）找到A和B中看到同一張海報的樣例，用這些樣例來計算推薦轉化率【對與A群使用者，他們看到這張海報是随機産生的；對于B群使用者，他們看到這張海報是模型産生的。通過該方法去除海報品質的影響，有些海報本來就吸引人點選】
6. 效果
