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
- 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) - 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) - Incentivizing High-Quality Content in Online Recommender Systems [81.99128189574643]
オンライン学習によるインセンティブを考察し,ナッシュ均衡におけるコンテンツの質を分析した。
HedgeやEXP3のような古典的なオンライン学習アルゴリズムは、残念ながらプロデューサに低品質のコンテンツを作る動機を与えています。
このネガティブな結果に動機づけられた我々は、プロデューサに高品質なコンテンツを作るためのインセンティブを正しく与える異なる学習アルゴリズムを設計する。
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) - Personality-Driven Social Multimedia Content Recommendation [68.46899477180837]
人格特性がコンテンツレコメンデーションモデルに与える影響を,新しいパーソナリティ駆動型マルチビューコンテンツレコメンデーションシステムを適用して検討する。
実験結果と実世界のケーススタディは、PersiCが効率的な人格駆動型マルチビューコンテンツレコメンデーションを行う能力だけでなく、実用的なデジタル広告戦略レコメンデーションを可能にすることを実証している。
論文 参考訳(メタデータ) (2022-07-25T14:37:18Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-02-16T02:08:52Z) - 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。