論文の概要: Analyzing User Engagement with TikTok's Short Format Video Recommendations using Data Donations

• arxiv url: http://arxiv.org/abs/2301.04945v2
• Date: Wed, 20 Mar 2024 09:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 23:16:59.367918
• Title: Analyzing User Engagement with TikTok's Short Format Video Recommendations using Data Donations
• Title（参考訳）: データ提供によるTikTokのショートフォーマットビデオレコメンデーションによるユーザエンゲージメントの分析
• Authors: Savvas Zannettou, Olivia-Nemes Nemeth, Oshrat Ayalon, Angelica Goetzen, Krishna P. Gummadi, Elissa M. Redmiles, Franziska Roesner,
• Abstract要約: データ提供システムを通じて収集したデータを用いて、TikTok上のユーザエンゲージメントを分析する。 利用者の注意力は45%程度で安定しているのに対し,平均日使用時間は1日平均で1日当たり1時間以上上昇していることがわかった。 また、フォローしていない人よりもフォローしている人がアップロードしたビデオの方が多いこともわかりました。
• 参考スコア（独自算出の注目度）: 31.764672446151412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-format videos have exploded on platforms like TikTok, Instagram, and YouTube. Despite this, the research community lacks large-scale empirical studies into how people engage with short-format videos and the role of recommendation systems that offer endless streams of such content. In this work, we analyze user engagement on TikTok using data we collect via a data donation system that allows TikTok users to donate their data. We recruited 347 TikTok users and collected 9.2M TikTok video recommendations they received. By analyzing user engagement, we find that the average daily usage time increases over the users' lifetime while the user attention remains stable at around 45%. We also find that users like more videos uploaded by people they follow than those recommended by people they do not follow. Our study offers valuable insights into how users engage with short-format videos on TikTok and lessons learned from designing a data donation system.
• Abstract（参考訳）: TikTok、Instagram、YouTubeなどのプラットフォームでは、短いフォーマットのビデオが爆発的に増えている。 それにもかかわらず、研究コミュニティは、人々が短いフォーマットのビデオとどのように関わり、そのようなコンテンツの無限のストリームを提供するレコメンデーションシステムの役割について、大規模な実証研究を欠いている。 本研究では,TikTokのユーザエンゲージメントをデータ提供システムを通じて収集したデータを用いて分析する。 我々は347人のTikTokユーザーを募集し、TikTokが受け取った920万のビデオレコメンデーションを収集した。 ユーザのエンゲージメントを分析することで,ユーザのライフタイムを通じて平均日使用時間が増加し,ユーザの注意が約45%安定していることが分かる。 また、フォローしていない人よりもフォローしている人がアップロードしたビデオの方が多いこともわかりました。 我々の研究は、ユーザーがTikTok上の短いフォーマットのビデオと関わり、データ提供システムの設計から学んだ教訓について、貴重な洞察を提供する。

関連論文リスト

• A Hybrid Filtering for Micro-video Hashtag Recommendation using Graph-based Deep Neural Network [0.3573481101204926]
  マイクロビデオのハッシュタグを推奨するMIcro- video hashtag recommendation MISHON手法を提案する。 ハッシュタグはユーザのトピック的関心を反映しているため,過去のタグ付け行動に基づいてユーザ関連性をモデル化する。 また,冷戦開始ユーザと影響力のあるユーザとの関係をモデル化するための,コンテンツと社会的影響に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-10-14T10:46:32Z)
• Delving Deep into Engagement Prediction of Short Videos [34.38399476375175]
  本研究は,ユーザインタラクションが限定されたビデオのエンゲージメント予測の難しさを深く掘り下げるものである。 Snapchatの90,000の現実世界のショートビデオからなる、実質的なデータセットを紹介します。 本手法は,映像コンテンツから映像のエンゲージメントを純粋に予測できることを示す。
  論文  参考訳（メタデータ） (2024-09-30T23:57:07Z)
• Beyond Relevance: Improving User Engagement by Personalization for Short-Video Search [16.491313774639007]
  我々は,ショートビデオ検索をパーソナライズするための新鮮で包括的なソリューションである$textPR2$を紹介した。 具体的には、$textPR2$はクエリ関連コラボレーティブフィルタリングとパーソナライズされた高密度検索を利用する。 私たちは近年,ユーザエンゲージメントの改善を最も目覚ましいものにしています。
  論文  参考訳（メタデータ） (2024-09-17T15:37:51Z)
• Counteracting Duration Bias in Video Recommendation via Counterfactual Watch Time [63.844468159126826]
  視聴時間の予測は時間のバイアスに悩まされ、ユーザーの興味を正確に反映する能力を妨げる。 対実時計モデル (CWM) が提案され、CWTはユーザーがビデオレコメンデーションシステムから最大限の利益を得る時間に等しいことを示した。
  論文  参考訳（メタデータ） (2024-06-12T06:55:35Z)
• Viblio: Introducing Credibility Signals and Citations to Video-Sharing Platforms [8.832571289776256]
  Viblioは、YouTubeユーザーが参加者のニーズに基づいてビデオを見ながら、引用を閲覧、追加できるプロトタイプシステムである。 12人の被験者による評価から、ビブリオはビデオの信頼性を評価する過程において直感的で有用であることが判明した。
  論文  参考訳（メタデータ） (2024-02-27T05:21:39Z)
• User Strategization and Trustworthy Algorithms [81.82279667028423]
  ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。 そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
  論文  参考訳（メタデータ） (2023-12-29T16:09:42Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• An Empirical Investigation of Personalization Factors on TikTok [77.34726150561087]
  TikTokのアルゴリズムがプラットフォームの成功とコンテンツの配布に重要であるにもかかわらず、アルゴリズムの実証的な分析はほとんど行われていない。 我々は,私たちが開発したカスタムアルゴリズムを用いたソック・パペット・監査手法を用いて,TikTokへのアクセスに使用される言語と位置情報の効果を検証,分析した。 その結果,フォローフェールが最も強い影響を受けており,ライクフェールやビデオ視聴率が高いことが判明した。
  論文  参考訳（メタデータ） (2022-01-28T17:40:00Z)
• QVHighlights: Detecting Moments and Highlights in Videos via Natural Language Queries [89.24431389933703]
  Query-based Video Highlights (QVHighlights) データセットを提示する。 これは1万本以上のYouTubeビデオで構成され、幅広いトピックをカバーしている。 データセット内の各ビデオには、(1)人書き自由形式のNLクエリ、(2)クエリに関するビデオw.r.t.の関連モーメント、(3)クエリに関連するすべてのクリップに対する5ポイントスケールのサリエンシスコアが注釈付けされている。
  論文  参考訳（メタデータ） (2021-07-20T16:42:58Z)

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。