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

• Harm Mitigation in Recommender Systems under User Preference Dynamics [16.213153879446796]
  本稿では,レコメンデーション,ユーザ関心,有害コンテンツとの相互作用を考慮したレコメンデーションシステムについて考察する。 クリックスルー率(CTR)の最大化と害軽減のトレードオフを確立するためのレコメンデーションポリシーを模索する。
  論文  参考訳（メタデータ） (2024-06-14T09:52:47Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。 参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。 この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• The Fault in Our Recommendations: On the Perils of Optimizing the Measurable [2.6217304977339473]
  エンゲージメントの最適化は、大きなユーティリティ損失をもたらす可能性があることを示す。 我々は、最初は人気コンテンツとニッチコンテンツの混在を推奨するユーティリティ・アウェア・ポリシーを提案する。
  論文  参考訳（メタデータ） (2024-05-07T02:12:17Z)
• 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)
• 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)
• 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)
• 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)

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。