論文の概要: Preference Dynamics Under Personalized Recommendations

• arxiv url: http://arxiv.org/abs/2205.13026v1
• Date: Wed, 25 May 2022 19:29:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 13:50:29.348935
• Title: Preference Dynamics Under Personalized Recommendations
• Title（参考訳）: パーソナライズドレコメンデーションにおける選好ダイナミクス
• Authors: Sarah Dean and Jamie Morgenstern
• Abstract要約: ユーザがパーソナライズされたコンテンツレコメンデーションを受けると、偏光に類似する現象が生じるかどうかを示す。 より興味深い目的は、リコメンデーションアルゴリズムがユーザの好みの定常性を保証するための条件を理解することである。
• 参考スコア（独自算出の注目度）: 12.89628003097857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many projects (both practical and academic) have designed algorithms to match users to content they will enjoy under the assumption that user's preferences and opinions do not change with the content they see. Evidence suggests that individuals' preferences are directly shaped by what content they see -- radicalization, rabbit holes, polarization, and boredom are all example phenomena of preferences affected by content. Polarization in particular can occur even in ecosystems with "mass media," where no personalization takes place, as recently explored in a natural model of preference dynamics by~\citet{hkazla2019geometric} and~\citet{gaitonde2021polarization}. If all users' preferences are drawn towards content they already like, or are repelled from content they already dislike, uniform consumption of media leads to a population of heterogeneous preferences converging towards only two poles. In this work, we explore whether some phenomenon akin to polarization occurs when users receive \emph{personalized} content recommendations. We use a similar model of preference dynamics, where an individual's preferences move towards content the consume and enjoy, and away from content they consume and dislike. We show that standard user reward maximization is an almost trivial goal in such an environment (a large class of simple algorithms will achieve only constant regret). A more interesting objective, then, is to understand under what conditions a recommendation algorithm can ensure stationarity of user's preferences. We show how to design a content recommendations which can achieve approximate stationarity, under mild conditions on the set of available content, when a user's preferences are known, and how one can learn enough about a user's preferences to implement such a strategy even when user preferences are initially unknown.
• Abstract（参考訳）: 多くのプロジェクト(実践的かつ学術的なプロジェクト)は、ユーザの好みや意見が見ているコンテンツと変わらないという仮定の下で、ユーザと楽しめるコンテンツとをマッチングするアルゴリズムを設計している。 エビデンスによれば、個人の嗜好は、ラジカル化、ウサギの穴、分極、退屈といったコンテンツによって直接形作られており、内容に影響される選好の例である。 特に、パーソナライゼーションが起こらない「マスメディア」の生態系においても、例えば~\citet{hkazla2019geometric} と~\citet{gaitonde2021 polarization} の自然モデルで探索されたように、偏光が生じることがある。 すべてのユーザの嗜好が、既に好まれているコンテンツに引かれるか、あるいは、既に好まれていないコンテンツから取り除かれる場合、メディアの均一な消費は、わずか2つの極に収束する異質な嗜好の人口につながる。 本研究では,ユーザが<emph{personalized>コンテンツレコメンデーションを受けると,偏光に類似する現象が生じるかを検討する。 我々は、個人の嗜好が消費と楽しみのコンテンツへと移行し、消費と嫌悪のコンテンツから遠ざかる、同様の選好ダイナミクスのモデルを使用する。 このような環境では、標準的なユーザ報酬の最大化は、ほとんど自明な目標である(大規模な単純なアルゴリズムが常に後悔するだけである)。 より興味深い目的は、リコメンデーションアルゴリズムがユーザの好みの定常性を保証するための条件を理解することである。 本稿では,利用者の嗜好が分かっていれば,利用可能なコンテンツセットの温和な条件下で,ほぼ定常性を達成できるコンテンツレコメンデーションを設計する方法と,利用者の嗜好が不明な場合でも,ユーザの嗜好を十分に学べる方法について述べる。

関連論文リスト

• DegustaBot: Zero-Shot Visual Preference Estimation for Personalized Multi-Object Rearrangement [53.86523017756224]
  本稿では,視覚的嗜好学習のためのアルゴリズムであるDegustaBotを提案する。 我々は、シミュレーション表設定タスクにおいて、自然主義的個人的嗜好の大規模なデータセットを収集する。 私たちのモデルの予測の50%は、少なくとも20%の人々に受け入れられる可能性が高いことが分かりました。
  論文  参考訳（メタデータ） (2024-07-11T21:28:02Z)
• 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)
• An Offer you Cannot Refuse? Trends in the Coerciveness of Amazon Book Recommendations [0.0]
  TextitBarrier-to-Exitは、ユーザが好みを変更するのがいかに難しいかを示す指標で、1998年から2018年にかけてAmazon Book Ratingsの大規模なデータセットを分析します。 調査の結果,バリア・トゥ・エグジットは時間とともに著しく成長し,利用者の嗜好を変えることが困難になったことが示唆された。
  論文  参考訳（メタデータ） (2023-10-21T16:32:38Z)
• Collaborative filtering to capture AI user's preferences as norms [0.4640835690336652]
  現在のメソッドでは、過剰なユーザの関与が必要で、真の好みをキャプチャできない。 我々は、規範を構築する際に新しい視点が必要であると論じる。 推薦システムにインスパイアされた我々は、協調フィルタリングが適切なアプローチをもたらすと信じている。
  論文  参考訳（メタデータ） (2023-08-01T15:14:23Z)
• Engagement, User Satisfaction, and the Amplification of Divisive Content on Social Media [23.3201470123544]
  Twitterのエンゲージメントに基づくランキングアルゴリズムは、感情に満ちた、グループ外の敵対的なコンテンツを増幅する。 提案アルゴリズムでは,ユーザが選択した政治的つぶやきを好まないことが分かり,このエンゲージメントに基づくアルゴリズムはユーザの指定した嗜好を満たすには不十分であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-26T13:57:30Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Recommending to Strategic Users [10.079698681921673]
  ユーザーは、将来推奨されるコンテンツの種類に影響を与えるために、戦略的にコンテンツを選択する。 本稿では,戦略的消費を考慮した推奨品質向上のための3つの介入を提案する。
  論文  参考訳（メタデータ） (2023-02-13T17:57:30Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Hybrid Deep Embedding for Recommendations with Dynamic Aspect-Level Explanations [60.78696727039764]
  アスペクトベースの説明可能なレコメンデーションのためのHybrid Deep Embeddingと呼ばれる新しいモデルを提案する。 HDEの主な考え方は、評価予測のためにユーザとアイテムの動的埋め込みを学ぶことである。 ユーザ/イテムのアスペクトの好みや品質が自動的に学習されるため、HDEは、ユーザや項目のレビューで言及されていないアスペクトの影響を捉えることができる。
  論文  参考訳（メタデータ） (2020-01-18T13:16:32Z)

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。