論文の概要: Balancing Consumer and Business Value of Recommender Systems: A
Simulation-based Analysis
- arxiv url: http://arxiv.org/abs/2203.05952v1
- Date: Thu, 10 Mar 2022 12:48:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 13:54:48.462908
- Title: Balancing Consumer and Business Value of Recommender Systems: A
Simulation-based Analysis
- Title(参考訳): レコメンダシステムの消費者価値とビジネス価値のバランス:シミュレーションに基づく分析
- Authors: Nada Ghanem, Stephan Leitner, Dietmar Jannach
- Abstract要約: 本研究では,エージェントベースモデリングに基づくシミュレーションフレームワークを提案する。
ポジティブな経験とネガティブな経験がソーシャルメディア上で他人と共有されるネットワーク効果を考える。
ソーシャルメディアは、ネガティブな体験の場合の信頼喪失などの現象を補強することができる。
- 参考スコア(独自算出の注目度): 4.297070083645049
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated recommendations can nowadays be found on many online platforms, and
such recommendations can create substantial value for consumers and providers.
Often, however, not all recommendable items have the same profit margin, and
providers might thus be tempted to promote items that maximize their profit. In
the short run, consumers might accept non-optimal recommendations, but they may
lose their trust in the long run. Ultimately, this leads to the problem of
designing balanced recommendation strategies, which consider both consumer and
provider value and lead to sustained business success. This work proposes a
simulation framework based on Agent-based Modeling designed to help providers
explore longitudinal dynamics of different recommendation strategies. In our
model, consumer agents receive recommendations from providers, and the
perceived quality of the recommendations influences the consumers' trust over
time. In addition, we consider network effects where positive and negative
experiences are shared with others on social media. Simulations with our
framework show that balanced strategies that consider both stakeholders indeed
lead to stable consumer trust and sustained profitability. We also find that
social media can reinforce phenomena like the loss of trust in the case of
negative experiences. To ensure reproducibility and foster future research, we
publicly share our flexible simulation framework.
- Abstract(参考訳): 現在、多くのオンラインプラットフォームで自動レコメンデーションが利用可能であり、そのようなレコメンデーションは消費者とプロバイダーにかなりの価値をもたらす可能性がある。
しかし、推奨アイテムがすべて同じ利益率であるとは限らないため、提供者は利益を最大化する商品を宣伝する誘惑を受けることがある。
短期的には、消費者は最適でない推奨を受け入れるかもしれないが、長期的には信頼を失うかもしれない。
最終的には、消費者とプロバイダの両方の価値を考慮し、継続的なビジネス成功につながる、バランスのとれたレコメンデーション戦略を設計することに繋がる。
本研究は,様々なレコメンデーション戦略の縦断的ダイナミクスを探索するためのエージェントベースモデリングに基づくシミュレーションフレームワークを提案する。
本モデルでは,消費者エージェントが提供者からレコメンデーションを受け取り,レコメンデーションの質が時間の経過とともに消費者の信頼に影響を及ぼす。
また、ポジティブな経験とネガティブな経験がソーシャルメディア上で他人と共有されるネットワーク効果についても検討する。
我々の枠組みによるシミュレーションは、双方の利害関係者を考慮したバランスの取れた戦略が、実際に安定した消費者信頼と持続的な収益性をもたらすことを示している。
また、ソーシャルメディアは、ネガティブな体験の場合の信頼の喪失のような現象を補強できることがわかった。
再現性を確保するため,我々はフレキシブル・シミュレーション・フレームワークを公開している。
関連論文リスト
- A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳(メタデータ) (2023-06-01T07:08:22Z) - Application of Machine Learning for Online Reputation Systems [0.4125187280299248]
本稿では、消費者プロフィールから消費者の信頼度を予測するために機械学習を用いた新しい評価システムを提案する。
提案モデルは10-Foldsクロスバリデーションを用いて、3つのMovieLensベンチマークデータセットで評価されている。
論文 参考訳(メタデータ) (2022-09-10T12:31:40Z) - Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。
商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。
本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
論文 参考訳(メタデータ) (2022-02-26T02:07:25Z) - Personalized multi-faceted trust modeling to determine trust links in
social media and its potential for misinformation management [61.88858330222619]
ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。
本稿では,データ駆動型多面信頼モデルを提案する。
信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
論文 参考訳(メタデータ) (2021-11-11T19:40:51Z) - 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) - Towards Content Provider Aware Recommender Systems: A Simulation Study
on the Interplay between User and Provider Utilities [34.288256311920904]
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。
論文 参考訳(メタデータ) (2021-05-06T00:02:58Z) - Heterogeneous Demand Effects of Recommendation Strategies in a Mobile
Application: Evidence from Econometric Models and Machine-Learning
Instruments [73.7716728492574]
本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。
提案手法では, 有効性に有意な差が認められた。
我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
論文 参考訳(メタデータ) (2021-02-20T22:58:54Z) - A General Framework for Fairness in Multistakeholder Recommendations [1.503974529275767]
本稿では,個人購入者対象と並行して販売者対象をリアルタイムにパーソナライズしたレコメンデーションシステムに組み込む汎用的な定式化を提案する。
我々は、高度にスケーラブルなサブモジュール最適化アルゴリズムを活用し、提案可能な理論的品質境界を持つバイヤーにレコメンデーションを提供する。
論文 参考訳(メタデータ) (2020-09-04T23:54:06Z) - Counterfactual Evaluation of Slate Recommendations with Sequential
Reward Interactions [18.90946044396516]
音楽ストリーミング、ビデオストリーミング、ニュースレコメンデーション、eコマースサービスは、しばしばシーケンシャルな方法でコンテンツを扱う。
したがって、適切なレコメンデーションのシーケンスの提供と評価は、これらのサービスにとって重要な問題である。
そこで本研究では,アナルアンバイアスの少ない報酬の逐次的相互作用が可能な新しい反事実推定器を提案する。
論文 参考訳(メタデータ) (2020-07-25T17:58:01Z)
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。