論文の概要: Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities

• arxiv url: http://arxiv.org/abs/2105.02377v1
• Date: Thu, 6 May 2021 00:02:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 13:14:55.803409
• Title: Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities
• Title（参考訳）: コンテンツ提供者意識型レコメンデーションシステムに向けて--ユーザと提供者間の相互作用に関するシミュレーション研究
• Authors: Ruohan Zhan, Konstantina Christakopoulou, Ya Le, Jayden Ooi, Martin Mladenov, Alex Beutel, Craig Boutilier, Ed H. Chi, Minmin Chen
• Abstract要約: 我々は,ユーザユーティリティの目的と,推奨コンテンツに関連するプロバイダの反事実的ユーティリティリフトを最適化するために,強化推奨エージェントecoagent(ecoagent)を構築した。 私たちは、我々のアプローチの利点と限界の両方に光を当てるシミュレーション実験をいくつか提供します。
• 参考スコア（独自算出の注目度）: 34.288256311920904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing recommender systems focus primarily on matching users to content which maximizes user satisfaction on the platform. It is increasingly obvious, however, that content providers have a critical influence on user satisfaction through content creation, largely determining the content pool available for recommendation. A natural question thus arises: can we design recommenders taking into account the long-term utility of both users and content providers? By doing so, we hope to sustain more providers and a more diverse content pool for long-term user satisfaction. Understanding the full impact of recommendations on both user and provider groups is challenging. This paper aims to serve as a research investigation of one approach toward building a provider-aware recommender, and evaluating its impact in a simulated setup. To characterize the user-recommender-provider interdependence, we complement user modeling by formalizing provider dynamics as well. The resulting joint dynamical system gives rise to a weakly-coupled partially observable Markov decision process driven by recommender actions and user feedback to providers. We then build a REINFORCE recommender agent, coined EcoAgent, to optimize a joint objective of user utility and the counterfactual utility lift of the provider associated with the recommended content, which we show to be equivalent to maximizing overall user utility and the utilities of all providers on the platform under some mild assumptions. To evaluate our approach, we introduce a simulation environment capturing the key interactions among users, providers, and the recommender. We offer a number of simulated experiments that shed light on both the benefits and the limitations of our approach. These results help understand how and when a provider-aware recommender agent is of benefit in building multi-stakeholder recommender systems.
• Abstract（参考訳）: 既存のリコメンデータシステムのほとんどは、主にユーザの満足度を最大化するコンテンツにユーザを合わせることに焦点を当てている。 しかし、コンテンツプロバイダーがコンテンツ作成を通じてユーザーの満足度に重大な影響を与えており、レコメンデーションで利用可能なコンテンツプールを決定することはますます明らかになっている。 ユーザとコンテンツプロバイダの両方の長期的な有用性を考慮して、レコメンダを設計することはできますか? そうすることで、長期的なユーザ満足のために、より多くのプロバイダとより多様なコンテンツプールを維持したいと考えています。 ユーザグループとプロバイダグループの両方に対するレコメンデーションの完全な影響を理解することは難しい。 本稿では,プロバイダを意識したレコメンデータの構築と,その影響をシミュレートした構成で評価するための1つのアプローチに関する調査を行う。 ユーザ・レcommender-providerの相互依存を特徴付けるために,プロバイダのダイナミクスを形式化し,ユーザ・モデリングを補完する。 結果として得られるジョイント力学システムは、レコメンデータアクションとプロバイダへのユーザフィードバックによって駆動される弱結合部分可観測マルコフ決定プロセスを引き起こす。 次に,ecoagentと呼ばれる強化レコメンダエージェントを構築し,ユーザユーティリティの目標と,推奨コンテンツに関連するプロバイダの反事実的ユーティリティリフトを最適化する。 提案手法を評価するために,ユーザ,プロバイダ,レコメンダ間の重要なインタラクションをキャプチャするシミュレーション環境を提案する。 私たちは、我々のアプローチの利点と限界の両方に光を当てるシミュレーション実験をいくつか提供します。 これらの結果は、プロバイダを意識したレコメンダエージェントが、マルチステイクホルダレコメンダシステムを構築する上で、どのように、いつ、どのように役立つかを理解するのに役立つ。

関連論文リスト

• 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)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• The Amplification Paradox in Recommender Systems [12.723777984461693]
  シミュレーションを通して、レコメンデータシステムの協調フィルタリングの性質と極度のコンテンツのニッチさが明らかにパラドックスを解消できることを示す。 提案手法は,「アルゴリズム増幅の微妙な解釈」であり,レコメンデータシステムの監査において,利用者にコンテンツの有用性をモデル化することの重要性を強調したものである。
  論文  参考訳（メタデータ） (2023-02-22T09:12:48Z)
• Influential Recommender System [12.765277278599541]
  Influential Recommender System (IRS) は,ユーザが対象アイテムを好むように積極的に導くことを目的とした,新しいレコメンデーションパラダイムである。 IRSは、ユーザに慎重に選択された項目(影響経路と呼ばれる)のシーケンスを徐々に推奨する。 IRNはベースラインレコメンデータよりも優れており,ユーザの興味に影響を及ぼす能力を示している。
  論文  参考訳（メタデータ） (2022-11-18T03:04:45Z)
• Reward Shaping for User Satisfaction in a REINFORCE Recommender [24.65853598093849]
  本稿では,ユーザの満足度を満足するアクションを学習するためのポリシーネットワークと満足度計算ネットワークを提案する。 命令ネットワークの役割は、どのアクションがユーザに満足しているかを学習することであり、ポリシーネットワークは、REINFORCE上に構築され、どの項目を推奨するかを決定する。
  論文  参考訳（メタデータ） (2022-09-30T01:29:12Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• 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)
• PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest [54.56236567783225]
  PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。 オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-07T17:13:20Z)

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。