論文の概要: Optimizing Long-term Social Welfare in Recommender Systems: A Constrained Matching Approach

• arxiv url: http://arxiv.org/abs/2008.00104v2
• Date: Tue, 18 Aug 2020 20:57:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 05:46:46.208961
• Title: Optimizing Long-term Social Welfare in Recommender Systems: A Constrained Matching Approach
• Title（参考訳）: レコメンダシステムにおける長期社会福祉の最適化:制約付きマッチングアプローチ
• Authors: Martin Mladenov, Elliot Creager, Omer Ben-Porat, Kevin Swersky, Richard Zemel, Craig Boutilier
• Abstract要約: 一定レベルのユーザエンゲージメントを受けない限り、コンテンツプロバイダが存続できないような設定について検討する。 我々のモデルは、十分に多様な実現可能な提供者によって支えられる最大限の社会福祉と平衡に達することを保証します。 我々は、これらの結果が実用的意味でより公平であると主張する、ユーザの後悔と公平性のさまざまな概念に関連性を引き出す。
• 参考スコア（独自算出の注目度）: 36.54379845220444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most recommender systems (RS) research assumes that a user's utility can be maximized independently of the utility of the other agents (e.g., other users, content providers). In realistic settings, this is often not true---the dynamics of an RS ecosystem couple the long-term utility of all agents. In this work, we explore settings in which content providers cannot remain viable unless they receive a certain level of user engagement. We formulate the recommendation problem in this setting as one of equilibrium selection in the induced dynamical system, and show that it can be solved as an optimal constrained matching problem. Our model ensures the system reaches an equilibrium with maximal social welfare supported by a sufficiently diverse set of viable providers. We demonstrate that even in a simple, stylized dynamical RS model, the standard myopic approach to recommendation---always matching a user to the best provider---performs poorly. We develop several scalable techniques to solve the matching problem, and also draw connections to various notions of user regret and fairness, arguing that these outcomes are fairer in a utilitarian sense.
• Abstract（参考訳）: ほとんどのレコメンデーターシステム(RS)の研究は、ユーザーのユーティリティは他のエージェント(例えば他のユーザー、コンテンツプロバイダ)のユーティリティとは独立して最大化できると仮定している。 現実的な設定では、これはしばしば真実ではない - RSエコシステムのダイナミクスは、すべてのエージェントの長期的なユーティリティを結合する。 本研究では,特定のレベルのユーザエンゲージメントを受けない限り,コンテンツプロバイダが存続できないような設定について検討する。 誘導力学系における平衡選択の1つとして、この設定における推奨問題を定式化し、最適制約マッチング問題として解けることを示す。 我々のモデルは、十分に多様な実現可能な提供者によって支えられる最大限の社会福祉と平衡に達することを保証します。 シンプルでスタイリングされた動的RSモデルであっても、推奨に対する標準的なミオピックアプローチ – ユーザとベストなプロバイダとを常に一致させる – は、パフォーマンスが悪くなります。 我々は,マッチング問題を解決するためのスケーラブルな手法をいくつも開発し,ユーザの後悔や公平性といった様々な概念とのつながりも生み出すとともに,これらの結果が実用的意味でより公平であると主張する。

関連論文リスト

• Rethinking and Benchmarking Predict-then-Optimize Paradigm for Combinatorial Optimization Problems [62.25108152764568]
  多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。 統一システムにおける予測と意思決定の性能について考察する。 我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Content Prompting: Modeling Content Provider Dynamics to Improve User Welfare in Recommender Ecosystems [14.416231654089994]
  我々は、この情報にコンテンツプロンプトポリシーで非対称に取り組みます。 コンテンツプロンプト(Content prompt)は、RSが未使用ユーザーの要求を予測する新しいコンテンツを作成するためのヒントまたは提案である。 我々は,利用者の社会的福祉を均衡的に最適化するコンテンツを提供できるように,提供者の集合を誘導する共同推進政策を決定することを目的とする。
  論文  参考訳（メタデータ） (2023-09-02T13:35:11Z)
• Ensuring User-side Fairness in Dynamic Recommender Systems [37.20838165555877]
  本稿では,動的レコメンデーションシステムにおけるユーザ側の公正性を保証するための第一原理的な研究について述べる。 本稿では,FAir Dynamic rEcommender (FADE)を提案する。 FADEは、全体的なレコメンデーション性能を犠牲にすることなく、性能格差を効果的かつ効率的に低減することを示す。
  論文  参考訳（メタデータ） (2023-08-29T22:03:17Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• Modelling the Recommender Alignment Problem [0.0]
  この研究は、レコメンデーションシステムに対する報酬関数のエンドツーエンドの研究がどのように行われるかを明らかにすることを目的としている。 おもちゃの環境におけるグラフのダイナミクスを制御して報酬関数を最適化するリコメンデーターポリシーを学習する。 トレーニングされたレコメンダが環境に与える影響に基づいて、エンゲージメントの最大化は一般的に、アライメントされたレコメンダよりも悪い結果をもたらすが、常にではない、と結論付けます。
  論文  参考訳（メタデータ） (2022-08-25T18:37:49Z)
• Interactive Recommendations for Optimal Allocations in Markets with Constraints [12.580391999838128]
  本稿では,システムプロバイダがユーザへのレコメンデーションの質を高めるためのインタラクティブなフレームワークを提案する。 我々は,協調フィルタリング,帯域幅,最適資源配分といった手法を用いた統合的アプローチを採用する。 人工マトリックスと実世界のデータに関する実証研究は,本手法の有効性と性能を実証している。
  論文  参考訳（メタデータ） (2022-07-08T22:16:51Z)
• Modeling Attrition in Recommender Systems with Departing Bandits [84.85560764274399]
  政策に依存した地平線を捉えた新しいマルチアームバンディット構成を提案する。 まず、全てのユーザが同じタイプを共有しているケースに対処し、最近の UCB ベースのアルゴリズムが最適であることを実証する。 次に、ユーザが2つのタイプに分けられる、より困難なケースを前進させます。
  論文  参考訳（メタデータ） (2022-03-25T02:30:54Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• When and Whom to Collaborate with in a Changing Environment: A Collaborative Dynamic Bandit Solution [36.76450390135742]
  協調バンディットアルゴリズムは、協調フィルタリング技術を用いて、オンラインインタラクティブレコメンデーションにおけるサンプル効率を改善する。 すべての既存の共同バンディット学習ソリューションは、環境に関する定常的な仮定を課します。 我々は,環境変化に対応するための協調型動的バンディットソリューションを開発した。
  論文  参考訳（メタデータ） (2021-04-14T22:15:58Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。