論文の概要: The Challenge of Understanding What Users Want: Inconsistent Preferences
and Engagement Optimization
- arxiv url: http://arxiv.org/abs/2202.11776v2
- Date: Thu, 23 Jun 2022 18:01:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 15:09:46.058543
- Title: The Challenge of Understanding What Users Want: Inconsistent Preferences
and Engagement Optimization
- Title（参考訳）: ユーザが求めるものを理解するための課題:一貫性のない選好とエンゲージメント最適化
- Authors: Jon Kleinberg, Sendhil Mullainathan, Manish Raghavan
- Abstract要約: 我々は、ユーザーが不整合な嗜好を持つメディア消費のモデルを開発する。
本稿では,ユーザの嗜好不整合モデルが日常体験に慣れ親しんだ現象をいかに生み出すかを示す。
特定の方向を変えるために、エンゲージメントの増加はユーザーを満足させる一方で、他の方向ではエンゲージメントの増加はユーザーを幸せにさせる。
- 参考スコア（独自算出の注目度）: 5.902332693463879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online platforms have a wealth of data, run countless experiments and use
industrial-scale algorithms to optimize user experience. Despite this, many
users seem to regret the time they spend on these platforms. One possible
explanation is misaligned incentives: platforms are not optimizing for user
happiness. We suggest the problem runs deeper, transcending the specific
incentives of any particular platform, and instead stems from a mistaken
revealed-preference assumption: To understand what users want, platforms look
at what users do. Yet research has demonstrated, and personal experience
affirms, that we often make choices in the moment that are inconsistent with
what we actually want. In this work, we develop a model of media consumption
where users have inconsistent preferences. We consider an altruistic platform
which simply wants to maximize user utility, but only observes user engagement.
We show how our model of users' preference inconsistencies produces phenomena
that are familiar from everyday experience, but difficult to capture in
traditional user interaction models. A key ingredient in our model is a
formulation for how platforms determine what to show users: they optimize over
a large set of potential content (the content manifold) parametrized by
underlying features of the content. Whether improving engagement improves user
welfare depends on the direction of movement in the content manifold: for
certain directions of change, increasing engagement makes users less happy,
while in other directions, increasing engagement makes users happier. We
characterize the structure of content manifolds for which increasing engagement
fails to increase user utility. By linking these effects to abstractions of
platform design choices, our model thus creates a theoretical framework and
vocabulary in which to explore interactions between design, behavioral science,
and social media.
- Abstract（参考訳）: オンラインプラットフォームには豊富なデータがあり、無数の実験を行い、ユーザーエクスペリエンスを最適化するために産業規模のアルゴリズムを使用する。
それにもかかわらず、多くのユーザーはこれらのプラットフォームに費やす時間を後悔しているようだ。
プラットフォームはユーザの幸福のために最適化していません。
問題は、特定のプラットフォームの特定のインセンティブを超越して、より深く対処することを提案しています。
しかし、研究は実証され、個人的な経験は、私たちが本当に望むものと矛盾する瞬間にしばしば選択するということを証明している。
本研究では,ユーザが不整合な嗜好を持つメディア消費モデルを開発する。
ユーザの有用性を最大化しようとするが、ユーザエンゲージメントのみを観察する利他的プラットフォームを考える。
ユーザの嗜好の不整合のモデルが,日常経験に慣れ親しんだ現象をいかに生み出すかを示すが,従来のユーザインタラクションモデルでは捉え難い。
我々のモデルにおける重要な要素は、プラットフォームがユーザーに何を示すかを決定する方法の定式化である。
エンゲージメントの改善とユーザ福祉の改善は、コンテンツ多様体の移動方向に依存する。 変化の特定の方向において、エンゲージメントの増加はユーザを幸せにし、他の方向では、エンゲージメントの増加はユーザを幸せにする。
エンゲージメントの増加がユーザ・ユーティリティの増大に失敗するコンテンツ・マニホールドの構造を特徴付ける。
これらの効果をプラットフォーム設計選択の抽象化にリンクすることにより、設計、行動科学、ソーシャルメディア間の相互作用を探索する理論的な枠組みと語彙を作成する。
関連論文リスト
- Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳（メタデータ） (2024-08-07T16:35:10Z) - Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。
参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。
この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
論文 参考訳（メタデータ） (2024-05-09T07:36:08Z) - 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) - Can Probabilistic Feedback Drive User Impacts in Online Platforms? [26.052963782865294]
コンテンツレコメンデーションシステムのネガティブなユーザへの影響に関する一般的な説明は、プラットフォームの目的とユーザ福祉の相違である。
本研究は,ユーザに対する意図しない影響の潜在的な原因は,プラットフォーム目標の不一致だけではないことを示す。
これらのユーザーへの影響の源泉は、異なるコンテンツが観測可能なユーザー反応(フィードバック情報)を異なるレートで生成する可能性があることである。
論文 参考訳（メタデータ） (2024-01-10T18:12:31Z) - Matching of Users and Creators in Two-Sided Markets with Departures [0.6649753747542209]
本稿では,ユーザコンテンツマッチングのダイナミクスに着目したコンテントレコメンデーションのモデルを提案する。
クリエーターの離脱を考慮しないユーザ中心の欲求アルゴリズムは、任意に粗悪な総エンゲージメントをもたらす可能性があることを示す。
本稿では,ユーザの好みを軽度に仮定して性能保証を行う2つの実用的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-30T20:13:28Z) - Causal Structure Representation Learning of Confounders in Latent Space
for Recommendation [6.839357057621987]
ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。
我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
論文 参考訳（メタデータ） (2023-11-02T08:46:07Z) - Inclusiveness Matters: A Large-Scale Analysis of User Feedback [7.8788463395442045]
Reddit、Google Play Store、Twitterの3つの人気オンラインソースからのユーザーフィードバックを、世界で最も人気のあるアプリ50に活用しています。
社会・技術基盤理論のアプローチを用いて,3つの情報源にまたがる23,107の投稿を分析し,1,211の包括性関連投稿を同定した。
本研究は、最も人気のあるアプリやオンラインソースからの包括性に関するユーザフィードバックを詳細に分析する。
論文 参考訳（メタデータ） (2023-11-02T04:05:46Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - DIGMN: Dynamic Intent Guided Meta Network for Differentiated User
Engagement Forecasting in Online Professional Social Platforms [32.70471436337077]
ユーザエンゲージメントパターンの違いの大きな理由は、ユーザが異なる意図を持っていることだ。
本稿では動的ガイドメタネットワーク(DIGMN)を提案する。
我々の手法は最先端のベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2022-10-22T09:57:27Z) - Personalizing Intervened Network for Long-tailed Sequential User
Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。
テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。
本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T02:50:19Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。