論文の概要: Recommending to Strategic Users
- arxiv url: http://arxiv.org/abs/2302.06559v1
- Date: Mon, 13 Feb 2023 17:57:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:08:30.716063
- Title: Recommending to Strategic Users
- Title(参考訳): 戦略ユーザへのレコメンデーション
- Authors: Andreas Haupt, Dylan Hadfield-Menell and Chara Podimata
- Abstract要約: ユーザーは、将来推奨されるコンテンツの種類に影響を与えるために、戦略的にコンテンツを選択する。
本稿では,戦略的消費を考慮した推奨品質向上のための3つの介入を提案する。
- 参考スコア(独自算出の注目度): 10.079698681921673
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recommendation systems are pervasive in the digital economy. An important
assumption in many deployed systems is that user consumption reflects user
preferences in a static sense: users consume the content they like with no
other considerations in mind. However, as we document in a large-scale online
survey, users do choose content strategically to influence the types of content
they get recommended in the future.
We model this user behavior as a two-stage noisy signalling game between the
recommendation system and users: the recommendation system initially commits to
a recommendation policy, presents content to the users during a cold start
phase which the users choose to strategically consume in order to affect the
types of content they will be recommended in a recommendation phase. We show
that in equilibrium, users engage in behaviors that accentuate their
differences to users of different preference profiles. In addition,
(statistical) minorities out of fear of losing their minority content
exposition may not consume content that is liked by mainstream users. We next
propose three interventions that may improve recommendation quality (both on
average and for minorities) when taking into account strategic consumption: (1)
Adopting a recommendation system policy that uses preferences from a prior, (2)
Communicating to users that universally liked ("mainstream") content will not
be used as basis of recommendation, and (3) Serving content that is
personalized-enough yet expected to be liked in the beginning. Finally, we
describe a methodology to inform applied theory modeling with survey results.
- Abstract(参考訳): 勧告システムはデジタル経済に広く浸透している。
多くのデプロイされたシステムにおいて重要な仮定は、ユーザ消費が静的な意味でユーザの好みを反映しているということである。
しかし、大規模オンライン調査で文書化されているように、ユーザは将来推奨されるコンテンツの種類に影響を与えるために戦略的にコンテンツを選択します。
我々は,このユーザの行動を,レコメンデーションシステムとユーザ間の2段階のノイズシグナリングゲームとしてモデル化する。レコメンデーションシステムは,まずレコメンデーションポリシーにコミットし,ユーザがレコメンデーションフェーズで推奨されるコンテンツの種類に影響を与えるために,戦略的に消費することを選択したコールドスタートフェーズ中に,ユーザにコンテンツを提示する。
バランスの取れた状態では、ユーザーは異なる好みのプロフィールを持つユーザーとの違いを強調する行動にかかわる。
加えて、少数派コンテンツの展示物を失うことを恐れた(統計的な)マイノリティは、主流ユーザーから好まれるコンテンツを消費しないかもしれない。
次に、戦略的消費を考慮した場合、推奨品質(平均とマイノリティの両方)を改善するための3つの介入を提案する。(1)事前の嗜好を取り入れたレコメンデーションシステムポリシーを採用すること、(2)「メインストリーム」コンテンツが普遍的に好まれないユーザへのコミュニケートを行うこと、(3)パーソナライズされたコンテンツが最初から好まれることが予想されるサービングコンテンツ。
最後に,応用理論モデリングを調査結果で示す手法について述べる。
関連論文リスト
- Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。
LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。
ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
論文 参考訳(メタデータ) (2023-04-09T14:52:18Z) - The Amplification Paradox in Recommender Systems [12.723777984461693]
シミュレーションを通して、レコメンデータシステムの協調フィルタリングの性質と極度のコンテンツのニッチさが明らかにパラドックスを解消できることを示す。
提案手法は,「アルゴリズム増幅の微妙な解釈」であり,レコメンデータシステムの監査において,利用者にコンテンツの有用性をモデル化することの重要性を強調したものである。
論文 参考訳(メタデータ) (2023-02-22T09:12:48Z) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-07T23:58:19Z) - Reward Shaping for User Satisfaction in a REINFORCE Recommender [24.65853598093849]
本稿では,ユーザの満足度を満足するアクションを学習するためのポリシーネットワークと満足度計算ネットワークを提案する。
命令ネットワークの役割は、どのアクションがユーザに満足しているかを学習することであり、ポリシーネットワークは、REINFORCE上に構築され、どの項目を推奨するかを決定する。
論文 参考訳(メタデータ) (2022-09-30T01:29:12Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳(メタデータ) (2022-07-04T17:58:39Z) - Meta Policy Learning for Cold-Start Conversational Recommendation [71.13044166814186]
メタ強化学習を用いて冷間開始ユーザを対象としたCRSポリシー学習について検討する。
政策適応を容易にするために,3つの相乗成分を設計する。
論文 参考訳(メタデータ) (2022-05-24T05:06:52Z) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳(メタデータ) (2022-04-25T21:04:46Z) - Explicit User Manipulation in Reinforcement Learning Based Recommender
Systems [0.0]
強化学習に基づくレコメンデータシステムは、クリック、エンゲージメント、消費の最大化を意味するならば、ユーザに影響を与えることができる。
ソーシャルメディアは政治的分極の増大に寄与する要因であることが示されている。
ユーザの信念と意見が特定の端に向けて調整された明示的なユーザ操作は、重要な関心事として現れます。
論文 参考訳(メタデータ) (2022-03-20T19:03:18Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳(メタデータ) (2021-10-18T08:11:24Z) - 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) - Measuring Recommender System Effects with Simulated Users [19.09065424910035]
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
論文 参考訳(メタデータ) (2021-01-12T14:51:11Z)
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。