論文の概要: How Bad is Top-$K$ Recommendation under Competing Content Creators?
- arxiv url: http://arxiv.org/abs/2302.01971v2
- Date: Tue, 2 May 2023 19:53:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 18:04:39.095815
- Title: How Bad is Top-$K$ Recommendation under Competing Content Creators?
- Title(参考訳): 競合コンテンツクリエーターの推薦でトップ$Kはどれぐらい悪いのか?
- Authors: Fan Yao, Chuanhao Li, Denis Nekipelov, Hongning Wang, Haifeng Xu
- Abstract要約: 我々は,アナーキー価格のレンズによるユーザ福祉保証について検討する。
創造者競争によるユーザ福祉損失のごく一部は、ユーザ決定におけるKドルとランダム性に応じて、常に小さな一定値で上限づけられていることが示される。
- 参考スコア(独自算出の注目度): 43.2268992294178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Content creators compete for exposure on recommendation platforms, and such
strategic behavior leads to a dynamic shift over the content distribution.
However, how the creators' competition impacts user welfare and how the
relevance-driven recommendation influences the dynamics in the long run are
still largely unknown.
This work provides theoretical insights into these research questions. We
model the creators' competition under the assumptions that: 1) the platform
employs an innocuous top-$K$ recommendation policy; 2) user decisions follow
the Random Utility model; 3) content creators compete for user engagement and,
without knowing their utility function in hindsight, apply arbitrary no-regret
learning algorithms to update their strategies. We study the user welfare
guarantee through the lens of Price of Anarchy and show that the fraction of
user welfare loss due to creator competition is always upper bounded by a small
constant depending on $K$ and randomness in user decisions; we also prove the
tightness of this bound. Our result discloses an intrinsic merit of the myopic
approach to the recommendation, i.e., relevance-driven matching performs
reasonably well in the long run, as long as users' decisions involve randomness
and the platform provides reasonably many alternatives to its users.
- Abstract(参考訳): コンテンツクリエーターはレコメンデーションプラットフォームでの露出を競い合い、このような戦略的行動はコンテンツ配信の動的な変化につながる。
しかし、クリエイターの競争がユーザーの福祉にどのように影響し、関連性による推薦が長期的にのダイナミクスにどのように影響するかは、いまだに不明である。
この研究はこれらの研究課題に関する理論的洞察を提供する。
私たちは、創造者の競争をこう仮定してモデル化します。
1) プラットフォームは,無害な最高額のK$レコメンデーションポリシーを採用している。
2) ユーザ決定は,ランダム・ユーティリティ・モデルに従う。
3)コンテンツクリエーターはユーザのエンゲージメントを競い合い、自分のユーティリティ機能を知ることなく、任意のノンリグレット学習アルゴリズムを適用して戦略を更新する。
我々は,アナーキー価格のレンズを通してユーザ福祉保証を調査し,クリエーター競争によるユーザ福祉損失のごく一部が,k$とユーザ決定のランダム性によって常に小さな定数によって上限されていることを証明した。
提案手法は,ユーザの判断がランダム性にかかわる場合や,プラットフォームがユーザに対して合理的に多くの代替手段を提供する限り,関連性駆動マッチングが長期的には合理的に機能することを示す。
関連論文リスト
- Matching of Users and Creators in Two-Sided Markets with Departures [0.6649753747542209]
本稿では,ユーザコンテンツマッチングのダイナミクスに着目したコンテントレコメンデーションのモデルを提案する。
クリエーターの離脱を考慮しないユーザ中心の欲求アルゴリズムは、任意に粗悪な総エンゲージメントをもたらす可能性があることを示す。
本稿では,ユーザの好みを軽度に仮定して性能保証を行う2つの実用的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-30T20:13:28Z) - 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) - Ad-load Balancing via Off-policy Learning in a Content Marketplace [9.783697404304025]
広告ロードバランシングは、オンライン広告システム、特にソーシャルメディアプラットフォームにおける重要な課題である。
従来のアドロードバランシングのアプローチは静的アロケーションポリシに依存しており、ユーザの好みやコンテキスト要因の変更に適応できない。
本稿では、ログ化された盗聴フィードバックから、政治外の学習と評価を活用するアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-19T09:17:07Z) - Preferences Evolve And So Should Your Bandits: Bandits with Evolving
States for Online Platforms [12.368291979686122]
本稿では,決定論的に進化し,観測不能な状態を考慮しながら,帯域幅フィードバックによる学習モデルを提案する。
我々のモデルにおけるワークホースの応用は、レコメンデーションシステムのための学習とオンライン広告のための学習である。
論文 参考訳(メタデータ) (2023-07-21T15:43:32Z) - Online Learning in a Creator Economy [91.55437924091844]
われわれはクリエーター経済を、ユーザー、プラットフォーム、コンテンツクリエーターの3人組ゲームとして研究している。
私たちは、リターンベースの契約とフィーチャーベースの契約の2つのファミリーを分析します。
滑らかな仮定の下では、リターンベースの契約とレコメンデーションポリシーの協調最適化が後悔をもたらすことを示す。
論文 参考訳(メタデータ) (2023-05-19T01:58:13Z) - 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) - Causal Disentanglement with Network Information for Debiased
Recommendations [34.698181166037564]
近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。
この設定における重要な課題は、隠れた共同設立者を説明することだ。
我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
論文 参考訳(メタデータ) (2022-04-14T20:55:11Z) - Competing Bandits: The Perils of Exploration Under Competition [119.39607854637798]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳(メタデータ) (2020-07-20T14:19:08Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-03T05:04:38Z)
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。