論文の概要: Modeling Rabbit-Holes on YouTube
- arxiv url: http://arxiv.org/abs/2307.09986v1
- Date: Wed, 19 Jul 2023 13:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 14:00:40.079726
- Title: Modeling Rabbit-Holes on YouTube
- Title（参考訳）: YouTube上のRabbit-Holesのモデリング
- Authors: Erwan Le Merrer, Gilles Tredan, Ali Yesilkanat
- Abstract要約: ウサギホール(RH)現象は、主流の勧告の崩壊として緩やかに理解されている。
これらのRHの出現を説明する理論を提案する。
我々は、YouTubeで1600万以上のパーソナライズされたレコメンデーションを集めた後、見つかったRHをいくつか強調する。
- 参考スコア（独自算出の注目度）: 4.211128681972148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerous discussions have advocated the presence of a so called rabbit-hole
(RH) phenomenon on social media, interested in advanced personalization to
their users. This phenomenon is loosely understood as a collapse of mainstream
recommendations, in favor of ultra personalized ones that lock users into
narrow and specialized feeds. Yet quantitative studies are often ignoring
personalization, are of limited scale, and rely on manual tagging to track this
collapse. This precludes a precise understanding of the phenomenon based on
reproducible observations, and thus the continuous audits of platforms. In this
paper, we first tackle the scale issue by proposing a user-sided bot-centric
approach that enables large scale data collection, through autoplay walks on
recommendations. We then propose a simple theory that explains the appearance
of these RHs. While this theory is a simplifying viewpoint on a complex and
planet-wide phenomenon, it carries multiple advantages: it can be analytically
modeled, and provides a general yet rigorous definition of RHs. We define them
as an interplay between i) user interaction with personalization and ii) the
attraction strength of certain video categories, which cause users to quickly
step apart of mainstream recommendations made to fresh user profiles. We
illustrate these concepts by highlighting some RHs found after collecting more
than 16 million personalized recommendations on YouTube. A final validation
step compares our automatically-identified RHs against manually-identified RHs
from a previous research work. Together, those results pave the way for large
scale and automated audits of the RH effect in recommendation systems.
- Abstract（参考訳）: 多くの議論がソーシャルメディアにいわゆるウサギホール(RH)現象の存在を提唱し、ユーザへの高度なパーソナライズに関心を持っている。
この現象は、ユーザーを狭く専門的なフィードに閉じ込める超パーソナライズされたレコメンデーションの崩壊として、ゆるやかに理解されている。
しかし、定量的研究はしばしばパーソナライゼーションを無視し、限られた規模であり、この崩壊を追跡するために手動のタグ付けに依存している。
これは再現可能な観察に基づく現象の正確な理解を妨げ、プラットフォームの継続的な監査を妨げている。
本稿では,まず,レコメンデーションに基づく自動プレイウォークを通じて,大規模データ収集を可能にするユーザ側ボット中心のアプローチを提案する。
次に、これらのRHの出現を説明する単純な理論を提案する。
この理論は複雑で惑星全体の現象を単純化する視点であるが、解析的にモデル化することができ、RHの一般的かつ厳密な定義を提供するという、いくつかの利点がある。
それらを相互行為と定義し
一 個人化とユーザインタラクション
二 特定のビデオカテゴリの魅力の強さにより、ユーザーは、新規ユーザープロフィールのメインストリームのレコメンデーションをすぐに切り離すことができる。
これらのコンセプトは、YouTubeで1600万以上のパーソナライズされたレコメンデーションを集めた後、見つかったRHをハイライトすることで説明します。
最後の検証ステップは、我々の自動識別されたRHと、以前の研究成果から手動識別されたRHを比較します。
これらの結果は,レコメンデーションシステムにおけるRH効果の大規模かつ自動監査の道を開いた。
関連論文リスト
- Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳（メタデータ） (2024-06-24T17:19:34Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Elastic Weight Removal for Faithful and Abstractive Dialogue Generation [61.40951756070646]
対話システムは、関連する文書に含まれる知識に忠実な応答を生成するべきである。
多くのモデルは、それと矛盾したり、検証不可能な情報を含んでいる代わりに幻覚応答を生成する。
本手法は,幻覚と抽出反応を同時に阻止するために拡張できることが示唆された。
論文 参考訳（メタデータ） (2023-03-30T17:40:30Z) - Self-supervised debiasing using low rank regularization [59.84695042540525]
純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。
ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。
注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
論文 参考訳（メタデータ） (2022-10-11T08:26:19Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Towards Teachable Reasoning Systems [29.59387051046722]
質問応答のための授業可能な推論システム(QA)を開発した。
私たちのアプローチは3つあります。 まず、生成された推論の連鎖は、システムの内部の信念によってどのように答えが示唆されるかを示しています。
第二に、ユーザーは説明と対話して誤ったモデル信念を特定し、修正を行うことができる。
第3に、そのような補正の動的なメモリでモデルを増強する。
論文 参考訳（メタデータ） (2022-04-27T17:15:07Z) - 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) - Be Causal: De-biasing Social Network Confounding in Recommendation [7.589060156056251]
レコメンデーションシステムでは、MNAR問題の存在が選択バイアス問題を引き起こす。
既存のアプローチのほとんどは、観察された評価のモデルまたは再重み付け戦略を使用して、ランダムな設定の欠如を模倣しています。
我々は、因果推論における共同設立者分析に触発されて、DENCと呼ばれる非バイアスで堅牢な手法を提案する。
論文 参考訳（メタデータ） (2021-05-17T12:38:59Z) - Counterfactual Explanations for Neural Recommenders [10.880181451789266]
神経レコメンダーの非現実的な説明を見つけるための最初の一般的なフレームワークであるACCENTを提案する。
我々はACCENTを使って2つの一般的なニューラルモデルに対する反実的説明を生成する。
論文 参考訳（メタデータ） (2021-05-11T13:16:18Z) - Large-scale Hybrid Approach for Predicting User Satisfaction with
Conversational Agents [28.668681892786264]
ユーザの満足度を測定することは難しい課題であり、大規模な会話エージェントシステムの開発において重要な要素である。
人間のアノテーションに基づくアプローチは簡単に制御できるが、スケールするのは難しい。
新たなアプローチとして,会話エージェントシステムに埋め込まれたフィードバック誘導システムを通じて,ユーザの直接的なフィードバックを収集する手法がある。
論文 参考訳（メタデータ） (2020-05-29T16:29:09Z) - Maximizing Information Gain in Partially Observable Environments via
Prediction Reward [64.24528565312463]
本稿では,深いRLエージェントに対する信念に基づく報酬の活用という課題に取り組む。
負のエントロピーと予測される予測報酬の正確な誤差を導出する。
この洞察は、予測報酬を用いたいくつかの分野の理論的動機を与える。
論文 参考訳（メタデータ） (2020-05-11T08:13:49Z)
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。