論文の概要: Algorithmic Collusion or Competition: the Role of Platforms' Recommender
Systems
- arxiv url: http://arxiv.org/abs/2309.14548v1
- Date: Mon, 25 Sep 2023 21:45:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 15:35:06.521338
- Title: Algorithmic Collusion or Competition: the Role of Platforms' Recommender
Systems
- Title（参考訳）: アルゴリズム的結束または競争:プラットフォームのレコメンデーションシステムの役割
- Authors: Xingchen Xu, Stephanie Lee, Yong Tan
- Abstract要約: 本研究は,AIに基づく価格アルゴリズムの競合的あるいは共謀的ダイナミクスを,レコメンデーションアルゴリズムがどのように決定するかを検討する。
実験結果から,販売者の利益最大化目標との一致により,収益ベースレコメンデータシステムにより,販売者間のアルゴリズム的共謀が促進されることが判明した。
需要ベースのレコメンデーションシステムは、売り手間の価格競争を促進させ、売り手の目標と不一致のため、価格を下げる。
- 参考スコア（独自算出の注目度）: 2.551933457838182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent academic research has extensively examined algorithmic collusion
resulting from the utilization of artificial intelligence (AI)-based dynamic
pricing algorithms. Nevertheless, e-commerce platforms employ recommendation
algorithms to allocate exposure to various products, and this important aspect
has been largely overlooked in previous studies on algorithmic collusion. Our
study bridges this important gap in the literature and examines how
recommendation algorithms can determine the competitive or collusive dynamics
of AI-based pricing algorithms. Specifically, two commonly deployed
recommendation algorithms are examined: (i) a recommender system that aims to
maximize the sellers' total profit (profit-based recommender system) and (ii) a
recommender system that aims to maximize the demand for products sold on the
platform (demand-based recommender system). We construct a repeated game
framework that incorporates both pricing algorithms adopted by sellers and the
platform's recommender system. Subsequently, we conduct experiments to observe
price dynamics and ascertain the final equilibrium. Experimental results reveal
that a profit-based recommender system intensifies algorithmic collusion among
sellers due to its congruence with sellers' profit-maximizing objectives.
Conversely, a demand-based recommender system fosters price competition among
sellers and results in a lower price, owing to its misalignment with sellers'
goals. Extended analyses suggest the robustness of our findings in various
market scenarios. Overall, we highlight the importance of platforms'
recommender systems in delineating the competitive structure of the digital
marketplace, providing important insights for market participants and
corresponding policymakers.
- Abstract（参考訳）: 近年の学術研究では、AIに基づく動的価格アルゴリズムの利用によるアルゴリズムの衝突を幅広く研究している。
それでも、eコマースプラットフォームは、様々な製品への露出を割り当てるためにレコメンデーションアルゴリズムを採用しており、この重要な側面は、アルゴリズムの共謀に関する以前の研究でほとんど見過ごされてきた。
我々の研究は、この文献におけるこの重要なギャップを埋め、AIベースの価格アルゴリズムの競合的あるいは共謀的なダイナミクスをレコメンデーションアルゴリズムがどのように決定できるかを調査する。
具体的には,2つの一般的な推奨アルゴリズムについて検討する。
(i)販売者の総利益を最大化することを目的とした推薦システム(営利型推薦システム)
(ii)プラットフォーム上で販売される製品の需要を最大化することを目的としたレコメンダシステム(オンデマンドベースのレコメンダシステム)。
販売者が採用する価格アルゴリズムとプラットフォームの推奨システムの両方を組み込んだ繰り返しゲームフレームワークを構築した。
その後,価格変動を観測し,最終平衡を確かめる実験を行う。
実験結果から,販売者の利益最大化目標との一致により,収益ベースレコメンデータシステムにより,販売者間のアルゴリズム的共謀が促進されることが判明した。
逆に,需要ベースのレコメンデーションシステムは,販売者間の価格競争を促進させ,販売者の目標と不一致を理由として価格を下げる。
分析の強化は、様々な市場シナリオにおける我々の発見の堅牢性を示している。
全体として、市場参加者とそれに対応する政策立案者にとって重要な洞察を提供するデジタル市場の競争構造を説明する上で、プラットフォームが推奨するシステムの重要性を強調します。
関連論文リスト
- Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。
我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
論文 参考訳（メタデータ） (2024-11-20T18:06:55Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-09T04:20:15Z) - Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。
その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-06-23T13:40:50Z) - By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning [1.5249435285717095]
本研究は、反復価格競争の実験的なオリゴポリーモデルを用いる。
我々は,エージェントが開発する戦略と価格パターンについて検討し,その結果を導出する可能性がある。
以上の結果から,RLをベースとしたAIエージェントは,超競争的価格帯電を特徴とする癒着状態に収束することが示唆された。
論文 参考訳（メタデータ） (2024-06-04T15:35:08Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。
我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。
どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
論文 参考訳（メタデータ） (2022-11-23T22:20:12Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - CPFair: Personalized Consumer and Producer Fairness Re-ranking for
Recommender Systems [5.145741425164946]
本稿では,消費者側と生産側の両方から公平性制約をシームレスに統合する最適化に基づく再ランク付け手法を提案する。
提案手法は, 消費者と生産者の公正性を両立させ, 全体的な推奨品質を低下させることなく向上させることができることを示す。
論文 参考訳（メタデータ） (2022-04-17T20:38:02Z) - Exploring Customer Price Preference and Product Profit Role in
Recommender Systems [0.4724825031148411]
我々は,レコメンデーションシステムの利益意識を操作する効果を示す。
本稿では,スコアベースのレコメンデータシステムにおいて,予測ランキングの調整を提案する。
実験では、精度と生成したレコメンデーションの利益の両方を改善する能力を示す。
論文 参考訳（メタデータ） (2022-03-13T12:08:06Z) - A General Framework for Fairness in Multistakeholder Recommendations [1.503974529275767]
本稿では,個人購入者対象と並行して販売者対象をリアルタイムにパーソナライズしたレコメンデーションシステムに組み込む汎用的な定式化を提案する。
我々は、高度にスケーラブルなサブモジュール最適化アルゴリズムを活用し、提案可能な理論的品質境界を持つバイヤーにレコメンデーションを提供する。
論文 参考訳（メタデータ） (2020-09-04T23:54:06Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳（メタデータ） (2020-09-01T16:52:51Z)
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。