論文の概要: How to Train Your YouTube Recommender to Avoid Unwanted Videos

• arxiv url: http://arxiv.org/abs/2307.14551v2
• Date: Wed, 2 Aug 2023 19:36:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 16:27:00.092665
• Title: How to Train Your YouTube Recommender to Avoid Unwanted Videos
• Title（参考訳）: YouTubeのレコメンデーションをトレーニングして、望ましくないビデオを避ける方法
• Authors: Alexander Liu, Siqi Wu, Paul Resnick
• Abstract要約: 興味がない」ボタンと「推奨しないチャンネル」ボタンは、ユーザーが望ましくないリコメンデーションを提示すると、不関心を示すことができる。 われわれはYouTubeユーザーをソックパペットエージェントでシミュレートした。 ボタンが一番うまく機能し、テスト対象のトピックすべてにおいて、このような推奨が大幅に減りました。
• 参考スコア（独自算出の注目度）: 76.31420523820563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: YouTube provides features for users to indicate disinterest when presented with unwanted recommendations, such as the "Not interested" and "Don't recommend channel" buttons. These buttons are purported to allow the user to correct "mistakes" made by the recommendation system. Yet, relatively little is known about the empirical efficacy of these buttons. Neither is much known about users' awareness of and confidence in them. To address these gaps, we simulated YouTube users with sock puppet agents. Each agent first executed a "stain phase", where it watched many videos of one assigned topic; it then executed a "scrub phase", where it tried to remove recommendations of the assigned topic. Each agent repeatedly applied a single scrubbing strategy, either indicating disinterest in one of the videos visited in the stain phase (disliking it or deleting it from the watch history), or indicating disinterest in a video recommended on the homepage (clicking the "not interested" or "don't recommend channel" button or opening the video and clicking the dislike button). We found that the stain phase significantly increased the fraction of the recommended videos dedicated to the assigned topic on the user's homepage. For the scrub phase, using the "Not interested" button worked best, significantly reducing such recommendations in all topics tested, on average removing 88% of them. Neither the stain phase nor the scrub phase, however, had much effect on videopage recommendations. We also ran a survey (N = 300) asking adult YouTube users in the US whether they were aware of and used these buttons before, as well as how effective they found these buttons to be. We found that 44% of participants were not aware that the "Not interested" button existed. However, those who were aware of this button often used it to remove unwanted recommendations (82.8%) and found it to be modestly effective (3.42 out of 5).
• Abstract（参考訳）: YouTubeはユーザーが望ましくないレコメンデーションを提示する機能「Not interested」や「Don't recommend channel」ボタンなどの機能を提供している。 これらのボタンは、ユーザーがレコメンデーションシステムで作成した「間違い」を修正できるように付与される。 しかし、これらのボタンの実証効果についてはあまり知られていない。 ユーザの認識や信頼については、あまり知られていない。 これらのギャップに対処するため、YouTubeユーザーをソックパペットエージェントでシミュレートした。 各エージェントは最初に"stain phase"を実行し、1つの割り当てられたトピックの多くのビデオを見た後、"scrub phase"を実行し、割り当てられたトピックの推奨を削除しようとした。 各エージェントは、ステイトフェーズで訪問したビデオのうちの1つで不興味を示すか、時計の履歴から削除するか、ホームページで推奨されるビデオで不利を示すか(「興味がない」または「推奨しないチャンネル」ボタンをクリックするか、動画を開いて嫌がらせのボタンをクリックするか)、という、単一のスクラブ戦略を繰り返し適用した。 その結果,ユーザのホームページに割り当てられたトピックに関する推奨ビデオの割合は,ステンドフェーズが有意に増加した。 スクラブフェーズでは、"not interest"ボタンの使用が最もうまく動作し、テスト対象のすべてのトピックにおいて、推奨項目を著しく削減し、平均88%を削除した。 しかし、ステンドフェーズやスクラブフェーズはビデオページの推薦に大きな影響を及ぼさなかった。 また、米国内の成人youtubeユーザーに、これらのボタンを認識・使用していたかどうか、そしてボタンがどれほど効果的であるかを質問する調査(n = 300)も行いました。 44%の参加者が「興味がない」ボタンの存在を知らなかったことがわかりました。 しかし、このボタンに気付いていた人は、望ましくない推奨(82.8%)を取り除き、控えめに効果があることを発見した(3.42対5)。

関連論文リスト

• Stereotype or Personalization? User Identity Biases Chatbot Recommendations [54.38329151781466]
  大規模言語モデル(LLM)は,ユーザが何を望んでいるのか,何者なのかを反映したレコメンデーションを生成する。 モデルが、ユーザが意図的に自身のアイデンティティを明らかにするかどうかに関わらず、人種的にステレオタイプなレコメンデーションを生成することがわかった。 実験の結果,ユーザの識別がモデルレコメンデーションに大きく影響しているにもかかわらず,モデル応答はユーザクエリに応答して,この事実を難読化することがわかった。
  論文  参考訳（メタデータ） (2024-10-08T01:51:55Z)
• 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)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• Auditing YouTube's Recommendation Algorithm for Misinformation Filter Bubbles [0.5898451150401338]
  本研究では,ユーザが誤報フィルタバブルにどの程度の速さで到達できるかを調査するため,YouTube上で実施した監査研究の結果を報告する。 そこで我々は,事前にプログラムされたエージェント(YouTubeユーザとして活動する)が,偽情報の宣伝コンテンツを見て誤情報フィルタバブルを掘り下げる,靴下人形監査手法を採用した。 その後、彼らはバブルを破裂させ、誤った情報を流すコンテンツを見て、よりバランスのとれたレコメンデーションに到達しようと試みる。
  論文  参考訳（メタデータ） (2022-10-18T18:27:47Z)
• YouTubers Not madeForKids: Detecting Channels Sharing Inappropriate Videos Targeting Children [3.936965297430477]
  われわれは、過去に子供をターゲットにした適切な、あるいは乱暴なビデオを投稿したYouTubeチャンネルを調査した。 YouTubeの想定するコンテンツとフラグが不適切なコンテンツとチャネルであることと、コンテンツが混乱し、まだプラットフォーム上で利用できないこととを明確に区別する。
  論文  参考訳（メタデータ） (2022-05-27T10:34:15Z)
• Subscriptions and external links help drive resentful users to alternative and extremist YouTube videos [7.945705756085774]
  われわれは、YouTube上の代替チャンネルビデオや過激派チャンネルビデオへの露出が、性別や人種的恨みのレベルが高い少数のグループに大きく集中していることを示した。 われわれの発見は、YouTubeのアルゴリズムが2020年の観測ウィンドウで人々を「ウサギの穴」から追い出していないことを示唆している。 しかし、このプラットフォームは、熱心なオーディエンスの間で、代替チャンネルや過激派チャンネルからのコンテンツへの露出を促進する上で、重要な役割を担っている。
  論文  参考訳（メタデータ） (2022-04-22T20:22:06Z)
• Characterizing Abhorrent, Misinformative, and Mistargeted Content on YouTube [1.9138099871648453]
  本稿では,YouTube上の問題コンテンツの度合いと,そのようなコンテンツの拡散における推奨アルゴリズムの役割について検討する。 分析の結果,幼児はランダムにプラットフォームを閲覧すると乱雑なコンテンツに遭遇する可能性が示唆された。 インセルの活動は時間とともに増加しており、プラットフォームはユーザーを極端なコンテンツへと導く上で積極的な役割を果たす可能性がある。
  論文  参考訳（メタデータ） (2021-05-20T15:10:48Z)
• "It is just a flu": Assessing the Effect of Watch History on YouTube's Pseudoscientific Video Recommendations [13.936247103754905]
  我々は、COVID-19、フラットアース理論、および予防接種と対マスク運動に関連する6.6Kのビデオを収集している。 クラウドソーシングを使って、それらを疑似科学、合法科学、あるいは無関係と注釈付けします。 我々は、プラットフォームの様々な部分におけるこのコンテンツに対するユーザ露出の定量化と、ユーザのウォッチ履歴に基づいて、この露出がどのように変化するかを示す。
  論文  参考訳（メタデータ） (2020-10-22T12:20:01Z)
• Learning Person Re-identification Models from Videos with Weak Supervision [53.53606308822736]
  本稿では、監督の弱いビデオから人物再識別モデルを学ぶ問題について紹介する。 このようなビデオレベルラベルを用いた人物再識別のための多段階注意学習フレームワークを提案する。 注意重みは、ビデオ中の人物追跡レットではなく、すべての人物画像に基づいて得られるため、学習したモデルはノイズの多いアノテーションの影響を受けにくくなる。
  論文  参考訳（メタデータ） (2020-07-21T07:23:32Z)
• Mi YouTube es Su YouTube? Analyzing the Cultures using YouTube Thumbnails of Popular Videos [98.87558262467257]
  本研究では,YouTubeのトレンド動画のサムネイルを用いて,各国の文化選好について検討した。 実験の結果、類似文化のユーザーはYouTubeで同様のビデオを見ることに興味を持っていることがわかった。
  論文  参考訳（メタデータ） (2020-01-27T20:15:57Z)

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。