論文の概要: Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems
- arxiv url: http://arxiv.org/abs/2309.14548v2
- Date: Sun, 15 Dec 2024 08:36:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:51:33.900760
- Title: Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems
- Title（参考訳）: アルゴリズムによるコラボレーションと競争 - プラットフォームレコメンダシステムの役割
- Authors: Xingchen Xu, Stephanie Lee, Yong Tan,
- Abstract要約: オンラインプラットフォームは通常、消費者が商品を発見し購入する方法に影響を与えるレコメンデーションシステムを展開する。
いくつかの重要なコンポーネントを統合する新しいゲームフレームワークを提案する。
収益最大化レコメンダシステムはアルゴリズムによる共謀を増大させるのに対し,ユーティリティ最大化レコメンダシステムは売り手間の競争力を高めていることを示す。
- 参考スコア（独自算出の注目度）: 2.2706058775017217
- License:
- Abstract: Recent scholarly work has extensively examined the phenomenon of algorithmic collusion driven by AI-enabled pricing algorithms. However, online platforms commonly deploy recommender systems that influence how consumers discover and purchase products, thereby shaping the reward structures faced by pricing algorithms and ultimately affecting competition dynamics and equilibrium outcomes. To address this gap in the literature and elucidate the role of recommender systems, we propose a novel repeated game framework that integrates several key components. We first develop a structural search model to characterize consumers' decision-making processes in response to varying recommendation sets. This model incorporates both observable and unobservable heterogeneity in utility and search cost functions, and is estimated using real-world data. Building on the resulting consumer model, we formulate personalized recommendation algorithms designed to maximize either platform revenue or consumer utility. We further introduce pricing algorithms for sellers and integrate all these elements to facilitate comprehensive numerical experiments. Our experimental findings reveal that a revenue-maximizing recommender system intensifies algorithmic collusion, whereas a utility-maximizing recommender system encourages more competitive pricing behavior among sellers. Intriguingly, and contrary to conventional insights from the industrial organization and choice modeling literature, increasing the size of recommendation sets under a utility-maximizing regime does not consistently enhance consumer utility. Moreover, the degree of horizontal differentiation moderates this phenomenon in unexpected ways. The "more is less" effect does not arise at low levels of differentiation, but becomes increasingly pronounced as horizontal differentiation increases.
- Abstract（参考訳）: 近年の研究では、AI対応価格アルゴリズムによって駆動されるアルゴリズムの衝突現象を幅広く研究している。
しかし、オンラインプラットフォームは通常、消費者が商品を発見し購入する方法に影響を与えるレコメンデーションシステムを展開し、それによって価格アルゴリズムが直面する報酬構造を形成し、最終的には競争のダイナミクスや均衡の結果に影響を与える。
文献におけるこのギャップに対処し,レコメンダシステムの役割を明らかにするために,いくつかの重要なコンポーネントを統合する新たなゲームフレームワークを提案する。
まず, 消費者の意思決定過程を特徴付ける構造的検索モデルを構築し, 様々な推薦セットに応答する。
このモデルは実用性および探索コスト関数における可観測性と可観測性の両方を組み込んでおり、実世界のデータを用いて推定される。
得られたコンシューマーモデルに基づいて、プラットフォーム収益とコンシューマーユーティリティを最大化するために設計されたパーソナライズされたレコメンデーションアルゴリズムを定式化する。
さらに,販売者の価格設定アルゴリズムを導入し,これらの要素を統合し,総合的な数値実験を容易にする。
実験の結果,収益最大化レコメンダシステムはアルゴリズムによる共謀を増大させるのに対し,ユーティリティ最大化レコメンダシステムは売り手間の競争力を高めていることがわかった。
興味深いことに、産業組織や選択モデリング文献からの従来の知見とは対照的に、実用性最大化体制の下で推奨セットのサイズを拡大することは、消費者の利便性を継続的に向上させるものではない。
さらに、水平分化の度合いは、予期せぬ方法でこの現象を緩和する。
より少ない」効果は低レベルの分化では生じないが、水平分化が増加するにつれて徐々に顕著になる。
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) - 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) - A Personalized Framework for Consumer and Producer Group Fairness
Optimization in Recommender Systems [13.89038866451741]
本稿では,CP-FairRankを提案する。CP-FairRankは,消費者と生産者の双方の公正性制約をシームレスに統合する最適化アルゴリズムである。
提案手法は, 消費者および生産者の公正性を, 全体的な推薦品質を損なう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） (2024-02-01T10:42:05Z) - Refined Mechanism Design for Approximately Structured Priors via Active
Regression [50.71772232237571]
我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。
この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
論文 参考訳（メタデータ） (2023-10-11T20:34:17Z) - Modeling Recommender Ecosystems: Research Challenges at the Intersection
of Mechanism Design, Reinforcement Learning and Generative Models [17.546954143602818]
システム内のすべてのアクターのインセンティブと行動のモデリングは、システムがこれらのアクターにもたらす価値を最大化し、全体のエコシステム「健康」を改善するために厳密に必要である、と我々は主張する。
本稿では、これらの要素を包含する概念的枠組みを提案し、これらの異なる分野の交差点に現れる多くの研究課題を明確にする。
論文 参考訳（メタデータ） (2023-09-08T03:20:58Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - 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) - 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)
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。