論文の概要: Feedback Shaping: A Modeling Approach to Nurture Content Creation

• arxiv url: http://arxiv.org/abs/2106.11312v1
• Date: Mon, 21 Jun 2021 22:53:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 15:05:18.555986
• Title: Feedback Shaping: A Modeling Approach to Nurture Content Creation
• Title（参考訳）: フィードバックシェーピング:コンテンツ作成を育むためのモデリングアプローチ
• Authors: Ye Tu, Chun Lo, Yiping Yuan, Shaunak Chatterjee
• Abstract要約: コンテンツ消費者からのフィードバックがクリエーターにインセンティブを与えるかを予測するためのモデリング手法を提案する。 次に、このモデルを利用して、フィードバック分布を再構築することで、コンテンツクリエーターのニュースフィード体験を最適化する。 我々は、LinkedInのニュースフィードに展開されたユースケースを提示し、消費者の体験を損なうことなく、コンテンツ作成を大幅に改善するためにこのアプローチを使用しました。
• 参考スコア（独自算出の注目度）: 10.31854532203776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media platforms bring together content creators and content consumers through recommender systems like newsfeed. The focus of such recommender systems has thus far been primarily on modeling the content consumer preferences and optimizing for their experience. However, it is equally critical to nurture content creation by prioritizing the creators' interests, as quality content forms the seed for sustainable engagement and conversations, bringing in new consumers while retaining existing ones. In this work, we propose a modeling approach to predict how feedback from content consumers incentivizes creators. We then leverage this model to optimize the newsfeed experience for content creators by reshaping the feedback distribution, leading to a more active content ecosystem. Practically, we discuss how we balance the user experience for both consumers and creators, and how we carry out online A/B tests with strong network effects. We present a deployed use case on the LinkedIn newsfeed, where we used this approach to improve content creation significantly without compromising the consumers' experience.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、newsfeedのようなレコメンデーションシステムを通じて、コンテンツクリエーターとコンテンツ消費者をまとめる。 このようなレコメンデーションシステムの焦点は、コンテンツ消費者の好みをモデル化し、体験を最適化することにある。 しかし、高品質なコンテンツが持続的なエンゲージメントと会話のシードを形成し、既存のコンテンツを維持しながら新しい消費者を引き付けるため、クリエイターの利益を優先することでコンテンツ創造を育むことは同様に重要である。 本研究では,コンテンツ消費者からのフィードバックがクリエーターにインセンティブを与えるかを予測するためのモデリング手法を提案する。 そして、このモデルを利用して、フィードバック分布を再構築することで、コンテンツクリエーターのニュースフィード体験を最適化し、よりアクティブなコンテンツエコシステムを生み出します。 実際に、消費者とクリエーターの両方のユーザエクスペリエンスのバランスと、オンラインA/Bテストと強力なネットワーク効果のバランスについて論じる。 我々は、LinkedInのニュースフィードに展開されたユースケースを提示し、消費者の経験を損なうことなく、コンテンツ作成を大幅に改善するためにこのアプローチを使用した。

関連論文リスト

• Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
  調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2024-10-31T07:19:22Z)
• A Framework for Ranking Content Providers Using Prompt Engineering and Self-Attention Network [0.0]
  本稿では,クリックやリアクションなどの明示的なユーザフィードバックと,書き込みスタイルやパブリッシュ頻度などのコンテンツベースの特徴を活用して,あるトピックのコンテンツプロバイダをランク付けするフレームワークを提案する。 オンライン実験を用いて,本フレームワークの評価を行い,ユーザが推奨するコンテンツの質,信頼性,多様性を向上できることを示す。
  論文  参考訳（メタデータ） (2024-09-17T19:25:58Z)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)
• Clickbait vs. Quality: How Engagement-Based Optimization Shapes the Content Landscape in Online Platforms [16.26484874313566]
  我々は、エンゲージメント指標に基づいて競合するコンテンツクリエーター間のゲームを研究し、品質とゲームへの投資に関する均衡決定を分析する。 平衡で作成されたコンテンツは、品質とゲームの間に正の相関関係を示し、Twitterデータセット上でこの発見を実証的に検証する。 おそらく、ユーザーが消費するコンテンツの平均品質は、ゲームのトリックがコンテンツクリエーターが採用するコストが高くなるにつれて均衡的に低下する可能性がある。
  論文  参考訳（メタデータ） (2024-01-18T08:48:54Z)
• Incentivizing High-Quality Content in Online Recommender Systems [80.19930280144123]
  プロデューサー間のゲームについて検討し、均衡で作成されたコンテンツを分析する。 HedgeやEXP3のような標準的なオンライン学習アルゴリズムは、残念なことにプロデューサに低品質コンテンツを作る動機を与えています。
  論文  参考訳（メタデータ） (2023-06-13T00:55:10Z)
• Online Learning in a Creator Economy [91.55437924091844]
  われわれはクリエーター経済を、ユーザー、プラットフォーム、コンテンツクリエーターの3人組ゲームとして研究している。 私たちは、リターンベースの契約とフィーチャーベースの契約の2つのファミリーを分析します。 滑らかな仮定の下では、リターンベースの契約とレコメンデーションポリシーの協調最適化が後悔をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T01:58:13Z)
• Neural Insights for Digital Marketing Content Design [22.922947923206756]
  本稿では,マーケティングコンテンツデザインから洞察を収集・抽出するニューラルネットワークシステムを提案する。 私たちの洞察は、与えられた現在のコンテンツの利点と欠点を指摘するだけでなく、過去のデータに基づいたデザインレコメンデーションも提供します。
  論文  参考訳（メタデータ） (2023-02-02T21:04:47Z)
• Can you recommend content to creatives instead of final consumers? A RecSys based on user's preferred visual styles [69.69160476215895]
  このレポートは、ACM RecSys '22で発表された論文"Learning Users' Preferred Visual Styles in an Image Marketplace"の拡張である。 ユーザが作業するプロジェクトのセマンティクスに対して視覚スタイルの好みを学習するRecSysを設計する。
  論文  参考訳（メタデータ） (2022-08-23T12:11:28Z)
• SoMin.ai: Personality-Driven Content Generation Platform [60.49416044866648]
  世界初のパーソナリティ駆動型マーケティングコンテンツ生成プラットフォームであるSoMin.aiを紹介します。 このプラットフォームは、ディープ・マルチビュー・パーソナリティ・プロファイリング・フレームワークと、スタイル・ジェネレーティブ・敵ネットワークを組み合わせている。 ソーシャルネットワーキングのユーザエクスペリエンスの向上や、コンテンツマーケティングのルーチンに使用できる。
  論文  参考訳（メタデータ） (2020-11-30T08:33:39Z)

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。