論文の概要: Online Learning in a Creator Economy
- arxiv url: http://arxiv.org/abs/2305.11381v1
- Date: Fri, 19 May 2023 01:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 16:41:36.384659
- Title: Online Learning in a Creator Economy
- Title(参考訳): クリエーター経済におけるオンライン学習
- Authors: Banghua Zhu, Sai Praneeth Karimireddy, Jiantao Jiao, Michael I. Jordan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 91.55437924091844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The creator economy has revolutionized the way individuals can profit through
online platforms. In this paper, we initiate the study of online learning in
the creator economy by modeling the creator economy as a three-party game
between the users, platform, and content creators, with the platform
interacting with the content creator under a principal-agent model through
contracts to encourage better content. Additionally, the platform interacts
with the users to recommend new content, receive an evaluation, and ultimately
profit from the content, which can be modeled as a recommender system.
Our study aims to explore how the platform can jointly optimize the contract
and recommender system to maximize the utility in an online learning fashion.
We primarily analyze and compare two families of contracts: return-based
contracts and feature-based contracts. Return-based contracts pay the content
creator a fraction of the reward the platform gains. In contrast, feature-based
contracts pay the content creator based on the quality or features of the
content, regardless of the reward the platform receives. We show that under
smoothness assumptions, the joint optimization of return-based contracts and
recommendation policy provides a regret $\Theta(T^{2/3})$. For the
feature-based contract, we introduce a definition of intrinsic dimension $d$ to
characterize the hardness of learning the contract and provide an upper bound
on the regret $\mathcal{O}(T^{(d+1)/(d+2)})$. The upper bound is tight for the
linear family.
- Abstract(参考訳): クリエーター経済は、オンラインプラットフォームを通じて個人が利益を得る方法に革命をもたらした。
本稿では,創造者経済をユーザ,プラットフォーム,コンテンツクリエーター間の三者間ゲームとしてモデル化することで,創造者経済におけるオンライン学習の研究を開始する。
さらに、プラットフォームはユーザーと対話して、新しいコンテンツを推薦し、評価を受け、最終的にコンテンツから利益を得る。
本研究の目的は,オンライン学習方式の実用性を最大化するために,プラットフォームがコントラクトとレコメンデーションシステムを共同で最適化する方法を検討することである。
主に、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比較します。
返却ベースの契約は、プラットフォームが得る報酬のごく一部をコンテンツクリエーターに支払う。
対照的に、機能ベースの契約は、プラットフォームが受け取る報酬に関係なく、コンテンツの品質や特徴に基づいてコンテンツクリエーターに支払う。
スムーズな仮定の下では、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合同最適化は、後悔する$\Theta(T^{2/3})$を提供する。
特徴に基づく契約について、本質的な次元を$d$と定義し、契約の学習の難しさを特徴づけ、後悔する$\mathcal{O}(T^{(d+1)/(d+2)})$に上限を与える。
上限は線形族に対して厳密である。
関連論文リスト
- Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。
調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
論文 参考訳(メタデータ) (2024-10-31T07:19:22Z) - 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) - Clickbait vs. Quality: How Engagement-Based Optimization Shapes the
Content Landscape in Online Platforms [16.26484874313566]
我々は、エンゲージメント指標に基づいて競合するコンテンツクリエーター間のゲームを研究し、品質とゲームへの投資に関する均衡決定を分析する。
平衡で作成されたコンテンツは、品質とゲームの間に正の相関関係を示し、Twitterデータセット上でこの発見を実証的に検証する。
おそらく、ユーザーが消費するコンテンツの平均品質は、ゲームのトリックがコンテンツクリエーターが採用するコストが高くなるにつれて均衡的に低下する可能性がある。
論文 参考訳(メタデータ) (2024-01-18T08:48:54Z) - 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) - Incentivizing High-Quality Content in Online Recommender Systems [80.19930280144123]
プロデューサー間のゲームについて検討し、均衡で作成されたコンテンツを分析する。
HedgeやEXP3のような標準的なオンライン学習アルゴリズムは、残念なことにプロデューサに低品質コンテンツを作る動機を与えています。
論文 参考訳(メタデータ) (2023-06-13T00:55:10Z) - 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) - Feedback Shaping: A Modeling Approach to Nurture Content Creation [10.31854532203776]
コンテンツ消費者からのフィードバックがクリエーターにインセンティブを与えるかを予測するためのモデリング手法を提案する。
次に、このモデルを利用して、フィードバック分布を再構築することで、コンテンツクリエーターのニュースフィード体験を最適化する。
我々は、LinkedInのニュースフィードに展開されたユースケースを提示し、消費者の体験を損なうことなく、コンテンツ作成を大幅に改善するためにこのアプローチを使用しました。
論文 参考訳(メタデータ) (2021-06-21T22:53:16Z) - SoMin.ai: Personality-Driven Content Generation Platform [60.49416044866648]
世界初のパーソナリティ駆動型マーケティングコンテンツ生成プラットフォームであるSoMin.aiを紹介します。
このプラットフォームは、ディープ・マルチビュー・パーソナリティ・プロファイリング・フレームワークと、スタイル・ジェネレーティブ・敵ネットワークを組み合わせている。
ソーシャルネットワーキングのユーザエクスペリエンスの向上や、コンテンツマーケティングのルーチンに使用できる。
論文 参考訳(メタデータ) (2020-11-30T08:33:39Z) - Incentivising Exploration and Recommendations for Contextual Bandits
with Payments [2.5966580648312223]
本研究では,累積的社会福祉を最大化しながら,プラットフォームが項目固有の属性を学習し,サブリニアな後悔を実現する方法を示す。
弊社のアプローチは、eコマースストアやレコメンデーションエンジン、マッチングプラットフォーム上のユーザのエンゲージメント指標を改善できる。
論文 参考訳(メタデータ) (2020-01-22T02:26:22Z)
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。