論文の概要: Incentive-Aware Recommender Systems in Two-Sided Markets
- arxiv url: http://arxiv.org/abs/2211.15381v1
- Date: Wed, 23 Nov 2022 22:20:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 13:48:12.501326
- Title: Incentive-Aware Recommender Systems in Two-Sided Markets
- Title(参考訳): 双方向市場におけるインセンティブアウェア推薦システム
- Authors: Xiaowu Dai, Yuan (Alan) Qi, and Michael I. Jordan
- Abstract要約: エージェントのインセンティブを尊重する新しい推薦システムを提案する。
両政策は, エージェントが過度の暴露から保護される, ポストフェアネス基準を満たすことを示す。
- 参考スコア(独自算出の注目度): 69.11586678637816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online platforms in the Internet Economy commonly incorporate recommender
systems that recommend arms (e.g., products) to agents (e.g., users). In such
platforms, a myopic agent has a natural incentive to exploit, by choosing the
best product given the current information rather than to explore various
alternatives to collect information that will be used for other agents. We
propose a novel recommender system that respects agents' incentives and enjoys
asymptotically optimal performances expressed by the regret in repeated games.
We model such an incentive-aware recommender system as a multi-agent bandit
problem in a two-sided market which is equipped with an incentive constraint
induced by agents' opportunity costs. If the opportunity costs are known to the
principal, we show that there exists an incentive-compatible recommendation
policy, which pools recommendations across a genuinely good arm and an unknown
arm via a randomized and adaptive approach. On the other hand, if the
opportunity costs are unknown to the principal, we propose a policy that
randomly pools recommendations across all arms and uses each arm's cumulative
loss as feedback for exploration. We show that both policies also satisfy an
ex-post fairness criterion, which protects agents from over-exploitation.
- Abstract(参考訳): インターネット経済のオンラインプラットフォームは一般的に、エージェント(例えばユーザー)に武器(製品)を推奨するレコメンデーターシステムを含んでいる。
このようなプラットフォームでは、筋電図エージェントは、他のエージェントに使用される情報を収集する様々な代替手段を探索するよりも、現在の情報を与えられた最高の製品を選択することで、活用するための自然なインセンティブを持つ。
本稿では,エージェントのインセンティブを尊重し,繰り返しのゲームにおける後悔によって表現される漸近的に最適なパフォーマンスを享受する新しいレコメンデーションシステムを提案する。
エージェントの機会コストに起因したインセンティブ制約を備えた両面市場におけるマルチエージェントバンディット問題として,このようなインセンティブ対応リコメンデータシステムをモデル化する。
プリンシパルに機会コストが分かっている場合、真に良い腕と未知の腕にランダムで適応的なアプローチでレコメンデーションをプールするインセンティブに適合したレコメンデーションポリシーが存在することを示す。
一方、プリンシパルにとっての機会コストが不明な場合、全腕にランダムにレコメンデーションをプールし、各腕の累積損失を探索のフィードバックとして利用する政策を提案する。
いずれの政策も、エージェントが過度の暴露から保護する、ポストフェアネス基準を満たすことを示す。
関連論文リスト
- RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-28T22:26:50Z) - 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) - Information-Gathering in Latent Bandits [79.6953033727455]
本稿では,潜伏バンドにおける情報収集手法を提案する。
我々は、各州に対するエージェントの信念から、最高の腕を選ぶことは、より高い後悔を引き起こすことを示した。
また,腕を慎重に選択することで,状態分布の推定精度が向上することを示した。
論文 参考訳(メタデータ) (2022-07-08T01:15:12Z) - Modeling Attrition in Recommender Systems with Departing Bandits [84.85560764274399]
政策に依存した地平線を捉えた新しいマルチアームバンディット構成を提案する。
まず、全てのユーザが同じタイプを共有しているケースに対処し、最近の UCB ベースのアルゴリズムが最適であることを実証する。
次に、ユーザが2つのタイプに分けられる、より困難なケースを前進させます。
論文 参考訳(メタデータ) (2022-03-25T02:30:54Z) - PipAttack: Poisoning Federated Recommender Systems forManipulating Item
Promotion [58.870444954499014]
一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。
本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
論文 参考訳(メタデータ) (2021-10-21T06:48:35Z) - 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) - A two-level solution to fight against dishonest opinions in
recommendation-based trust systems [13.356755375091456]
エージェントが他のエージェントに対して信頼を構築するために、複数の関係者からレコメンデーションを要求するシナリオを考察する。
収集レベルでは,エージェントが推薦の正確さを自己評価できるようにすることを提案する。
処理レベルでは,コラシオン攻撃に耐性のあるレコメンデーションアグリゲーション手法を提案する。
論文 参考訳(メタデータ) (2020-06-09T00:34:11Z) - Incentivizing Exploration with Selective Data Disclosure [94.32975679779491]
効率的な探索を促すレコメンデーションシステムを提案し設計する。
エージェントは順次到着し、固定されたが未知のアクション固有の分布から引き出されたアクションを選択し、報酬を受け取る。
フレキシブル・頻繁な行動モデルを用いた探索において,最適な後悔率が得られる。
論文 参考訳(メタデータ) (2018-11-14T19:29:16Z)
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。