論文の概要: Supply-Side Equilibria in Recommender Systems
- arxiv url: http://arxiv.org/abs/2206.13489v3
- Date: Mon, 11 Dec 2023 17:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 03:47:19.200412
- 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: パーソナライズされたコンテンツレコメンデーションシステムにおけるサプライサイド均衡について検討する。
モデルの主な特徴は,生産者決定空間が多次元であり,ユーザベースが不均一である点である。
専門化は、生産者が均衡でポジティブな利益を得られることを示す。
- 参考スコア(独自算出の注目度): 43.140112226575646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Algorithmic recommender systems such as Spotify and Netflix affect not only
consumer behavior but also producer incentives. Producers seek to create
content that will be shown by the recommendation algorithm, which can impact
both the diversity and quality of their content. In this work, we investigate
the resulting supply-side equilibria in personalized content recommender
systems. We model users and content as $D$-dimensional vectors, the
recommendation algorithm as showing each user the content with highest dot
product, and producers as maximizing the number of users who are recommended
their content minus the cost of production. Two key features of our model are
that the producer decision space is multi-dimensional and the user base is
heterogeneous, which contrasts with classical low-dimensional models.
Multi-dimensionality and heterogeneity create the potential for
specialization, where different producers create different types of content at
equilibrium. Using a duality argument, we derive necessary and sufficient
conditions for whether specialization occurs: these conditions depend on the
extent to which users are heterogeneous and to which producers can perform well
on all dimensions at once without incurring a high cost. Then, we characterize
the distribution of content at equilibrium in concrete settings with two
populations of users. Lastly, we show that specialization can enable producers
to achieve positive profit at equilibrium, which means that specialization can
reduce the competitiveness of the marketplace. At a conceptual level, our
analysis of supply-side competition takes a step towards elucidating how
personalized recommendations shape the marketplace of digital goods, and
towards understanding what new phenomena arise in multi-dimensional competitive
settings.
- Abstract(参考訳): SpotifyやNetflixのようなアルゴリズムによる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及ぼす。
プロデューサーはレコメンデーションアルゴリズムで示されるコンテンツを作成しようとしており、コンテンツの多様性と品質の両方に影響を与える可能性がある。
本研究では、パーソナライズされたコンテンツレコメンデーションシステムにおけるサプライサイド均衡について検討する。
我々は、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、レコメンデーションアルゴリズムは、各ユーザに最高のドット製品でコンテンツを見せ、プロデューサは、コンテンツを推奨するユーザの数を最大化し、生産コストを抑える。
我々のモデルの主な特徴は、生産者決定空間が多次元であり、ユーザベースが異質であることであり、古典的な低次元モデルとは対照的である。
多次元性と不均質性は、異なる生産者が平衡で異なる種類のコンテンツを創造する特殊化の可能性を生み出す。
これらの条件は, ユーザが不均一である程度と, 生産者が高コストを伴わずに, 一度にすべての次元で良好な性能を発揮できる程度に依存している。
次に, 2 個体群を具体的設定として, コンテンツの平衡分布を特徴付ける。
最後に, 専門化によって生産者が均衡でポジティブな利益を得られることが示され, つまり, 専門化が市場競争力を低下させる可能性がある。
概念レベルでは、サプライサイドコンペティションの分析は、デジタルグッズ市場をいかにパーソナライズされたレコメンデーションが形成するかを解明し、多次元競争環境において新たな現象が生じるのかを理解するための一歩となる。
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。