停止依赖无选择，不要重复移动：商品组合优化的最优、高效和实用算法
内容提要
该文综述在线随机匹配与资源分配研究，提出多项式时间近似算法，近似比至少0.51，并改进随机舍入；一般混合物问题获常数近似比0.09和0.15。研究还涉及在线分类库存、PAC排名、PL-Rank梯度估计、机器学习辅助分配、推荐长期回报及在线随机装箱，兼顾效率与公平。
延伸解读
近似算法的理论保证
文章针对在线随机匹配问题，提出了多项式时间近似算法，其近似比至少为0.51，并基于线性规划松弛改进了随机舍入方案。对于一般混合物问题，文章建立了首个常数因子近似比0.09（不同类型客户赋予不同价值）和0.15（不同客户赋予每个项目相同价值）的情况。这些理论结果为在线资源分配提供了性能保证。
在线学习与排名优化
文章涉及在线分类库存、PAC排名和PL-Rank梯度估计。在PAC排名中，通过自适应挑选子集并收集偏好反馈，在Plackett-Luce模型下提出了pivot trick技巧，实现了样本复杂度的降低。PL-Rank算法用于估计排名模型关于相关性和公平度量的梯度，相比策略梯度方法采样效率更高且计算成本更低。
机器学习辅助与公平性权衡
文章探讨了利用机器学习建议进行在线资源分配决策的框架，该算法能在建议不准确时保持稳健性，并在最坏和平均情况之间取得平衡。在在线广告分配中，基于训练的原始对偶算法在随机顺序模型下实现了(1-o(1))逼近担保，实验评估确认了其有效性，并指出公平性和效率之间存在内在权衡。
Q&A
在线随机匹配中的混合物优化问题，目前有哪些近似算法？
针对在线随机匹配的混合物优化问题，提出了一种多项式时间近似算法，近似比至少为1-ln(2-1/e)或0.51，并基于线性规划松弛改进了以前的随机舍入方案。
一般混合物问题中，常数因子近似比的最新结果是什么？
在一般混合物问题中，建立了第一个常数因子近似比为0.09的情况（不同类型客户赋予不同价值），以及近似比为0.15的情况（不同客户赋予每个项目相同的价值）。
在线联合分类-库存优化问题如何平衡探索与利用？
提出一种算法以在探索与利用之间找到平衡点，并通过数值实验验证了算法的有效性。
PL-Rank算法在排名模型梯度估计中有什么优势？
PL-Rank用于估计PL排名模型关于相关性和公平度量的梯度，相比现有策略梯度方法，采样效率更高且计算成本更低，可用于更真实、更公平的实际排名系统。
如何利用机器学习建议进行在线资源分配并保证稳健性？
提出一种利用机器学习建议进行在线资源分配决策的框架，算法类似Pareto最优，能在建议不准确时保证性能准则并提高稳健比率，与基准算法相比，在最坏和平均情况之间实现平衡并获得更好性能。
在线随机装箱线性规划在广告分配中的效率和公平性如何权衡？
研究在线随机装箱线性规划，展示了一种近似最优的在线算法，基于训练的原始对偶算法在随机顺序模型下实现(1-o(1))逼近担保；在在线显示广告分配中，实验评估确认了该算法在真实数据集上的有效性，并指出公平性和效率之间存在内在权衡。
