論文の概要: Supply-Side Equilibria in Recommender Systems

• arxiv url: http://arxiv.org/abs/2206.13489v1
• Date: Mon, 27 Jun 2022 17:52:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 17:15:57.057711
• Title: Supply-Side Equilibria in Recommender Systems
• Title（参考訳）: 推薦システムにおける供給側平衡
• Authors: Meena Jagadeesan, Nikhil Garg, Jacob Steinhardt
• Abstract要約: ユーザとコンテンツをD$次元ベクトルとしてモデル化し、各ユーザに対して最高のドット製品を持つコンテンツを推奨します。 プロデューサが均衡で正の利益を得られることを示すが、これは典型的には完全競争では不可能である。 概念レベルでは,本研究は,生産者間の供給側競争をいかに形作るかを検討するための出発点となる。
• 参考スコア（独自算出の注目度）: 25.631185957367975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital recommender systems such as Spotify and Netflix affect not only consumer behavior but also producer incentives: producers seek to supply content that will be recommended by the system. But what content will be produced? In this paper, we investigate the supply-side equilibria in content recommender systems. We model users and content as $D$-dimensional vectors, and recommend the content that has the highest dot product with each user. The main features of our model are that the producer decision space is high-dimensional and the user base is heterogeneous. This gives rise to new qualitative phenomena at equilibrium: First, the formation of genres, where producers specialize to compete for subsets of users. Using a duality argument, we derive necessary and sufficient conditions for this specialization to occur. Second, we show that producers can achieve positive profit at equilibrium, which is typically impossible under perfect competition. We derive sufficient conditions for this to occur, and show it is closely connected to specialization of content. In both results, the interplay between the geometry of the users and the structure of producer costs influences the structure of the supply-side equilibria. At a conceptual level, our work serves as a starting point to investigate how recommender systems shape supply-side competition between producers.
• Abstract（参考訳）: SpotifyやNetflixのようなデジタルレコメンデーションシステムは、消費者の行動だけでなく、プロデューサーのインセンティブにも影響を与えている。 しかし、どんなコンテンツが作られるのか? 本稿では,コンテンツ推薦システムにおける供給側平衡について検討する。 ユーザとコンテンツをD$次元ベクトルとしてモデル化し、各ユーザに対して最高のドット製品を持つコンテンツを推奨します。 本モデルの主な特徴は,生産者決定空間が高次元であり,ユーザベースが不均一であることである。 第一に、プロデューサーがユーザーのサブセットを競うために専門とするジャンルの形成である。 双対性論を用いて、この特殊化が起こるための必要十分条件を導出する。 第2に, 完全競争では一般的に不可能である均衡で生産者が利益を得られることを示す。 これが起こるのに十分な条件を導出し、コンテンツの特殊化と密接な関係があることを示す。 いずれの結果においても,ユーザ形状と生産コストの構造との相互作用は供給側平衡の構造に影響を及ぼす。 概念レベルでは,本研究は,生産者間の供給側競争をいかに形作るかを検討するための出発点となる。

関連論文リスト

• User-Creator Feature Polarization in Recommender Systems with Dual Influence [19.506536850645343]
  推薦システムは、関連コンテンツをユーザに提示し、コンテンツクリエーターがターゲットのオーディエンスに到達するのを助けるという2つの目的を提供します。 我々は,レコメンデータシステムの二重影響を捉えるために,ユーザ・クリエータ機能ダイナミクスと呼ばれるモデルを定義した。 我々は,理論上も実証上も,レコメンダシステムにおける偏光緩和と多様性向上のためのアプローチについて検討する。
  論文  参考訳（メタデータ） (2024-07-19T07:58:26Z)
• 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)
• A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems [13.89038866451741]
  本稿では,CP-FairRankを提案する。CP-FairRankは,消費者と生産者の双方の公正性制約をシームレスに統合する最適化アルゴリズムである。 提案手法は, 消費者および生産者の公正性を, 全体的な推薦品質を損なうことなく向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-01T10:42:05Z)
• 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)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• 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)
• Studying Product Competition Using Representation Learning [7.01269741110576]
  本稿では、製品レベルの競争を研究するために、表現学習アルゴリズムWord2Vecに基づくProduct2Vecを紹介する。 提案モデルでは,ショッピングバスケットを入力とし,各商品に対して重要な商品情報を保存した低次元の埋め込みを生成する。 現状のモデルと比較して、我々のアプローチはより高速であり、より正確な需要予測と価格弾力性が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-21T00:36:13Z)
• FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms [36.35034531426411]
  両面のオンラインプラットフォームにおけるフェアレコメンデーションの問題について検討する。 当社のアプローチでは、公正な推奨問題の新たなマッピングと、特定不可能な商品をかなり割当する問題の制約付きのバージョンが関係している。 提案したFairRecアルゴリズムは、ほとんどの生産者に対して少なくともマクシミン・シェア(MMS)の露出を保証し、すべての顧客に対してEvy-Free to Oneアイテム(EF1)のフェアネスを保証します。
  論文  参考訳（メタデータ） (2020-02-25T09:43:48Z)

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。