論文の概要: An Offer you Cannot Refuse? Trends in the Coerciveness of Amazon Book
Recommendations
- arxiv url: http://arxiv.org/abs/2310.14060v1
- Date: Sat, 21 Oct 2023 16:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 02:13:46.382116
- Title: An Offer you Cannot Refuse? Trends in the Coerciveness of Amazon Book
Recommendations
- Title（参考訳）: 否定できないオファー?
Amazon Book Recommendationsの強迫性の動向
- Authors: Jonathan H. Rystr{\o}m
- Abstract要約: TextitBarrier-to-Exitは、ユーザが好みを変更するのがいかに難しいかを示す指標で、1998年から2018年にかけてAmazon Book Ratingsの大規模なデータセットを分析します。
調査の結果,バリア・トゥ・エグジットは時間とともに著しく成長し,利用者の嗜好を変えることが困難になったことが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems can be a helpful tool for recommending content but they
can also influence users' preferences. One sociological theory for this
influence is that companies are incentivised to influence preferences to make
users easier to predict and thus more profitable by making it harder to change
preferences. This paper seeks to test that theory empirically. We use
\textit{Barrier-to-Exit}, a metric for how difficult it is for users to change
preferences, to analyse a large dataset of Amazon Book Ratings from 1998 to
2018. We focus the analysis on users who have changed preferences according to
Barrier-to-Exit. To assess the growth of Barrier-to-Exit over time, we
developed a linear mixed-effects model with crossed random effects for users
and categories. Our findings indicate a highly significant growth of
Barrier-to-Exit over time, suggesting that it has become more difficult for the
analysed subset of users to change their preferences. However, it should be
noted that these findings come with several statistical and methodological
caveats including sample bias and construct validity issues related to
Barrier-to-Exit. We discuss the strengths and limitations of our approach and
its implications. Additionally, we highlight the challenges of creating
context-sensitive and generalisable measures for complex socio-technical
concepts such as "difficulty to change preferences." We conclude with a call
for further research: to curb the potential threats of preference manipulation,
we need more measures that allow us to compare commercial as well as
non-commercial systems.
- Abstract（参考訳）: レコメンダシステムはコンテンツを推薦する上で有用なツールであるが、ユーザの好みに影響を及ぼすこともできる。
この影響に対する社会学的理論の1つは、企業がユーザーの好みに影響を与え、より予測しやすくなり、選好を変えるのを難しくすることで利益が上がるというものである。
本稿では,その理論を実証的に検証する。
私たちは、1998年から2018年にかけてAmazon Book Ratingsの大規模なデータセットを分析するために、ユーザが好みを変更するのがいかに難しいかを示すメトリックである‘textit{Barrier-to-Exit}’を使用します。
Barrier-to-Exitで好みを変えたユーザーを対象に分析を行った。
時間とともにバリア・トゥ・エグジットの成長を評価するために,ユーザやカテゴリに対してランダムな相互効果を持つ線形混合効果モデルを開発した。
調査の結果,バリア・トゥ・エグジットは時間とともに著しく成長し,利用者の嗜好を変えることが困難になったことが示唆された。
しかし,これらの発見には,サンプルバイアスやバリア・トゥ・エグジットに関する構成的妥当性など,統計学的・方法論的な問題点がいくつか含まれていることに注意が必要である。
我々は,アプローチの強みと限界とその意味について論じる。
さらに,「好みを変えることの難しさ」のような複雑な社会技術的概念に対して,文脈に敏感で一般化可能な尺度を作成することの課題を強調した。
選好操作の潜在的な脅威を抑制するためには、商業システムと非商業システムを比較するためのさらなる措置が必要である。
関連論文リスト
- 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) - The Impact of Recommendation Systems on Opinion Dynamics: Microscopic
versus Macroscopic Effects [1.4180331276028664]
本研究では,ユーザに対するレコメンデーションシステムの影響を,顕微鏡的(すなわち個々のユーザレベルで)とマクロ的視点の両方から検討する。
分析の結果,個々のユーザの意見の変化は,人口の意見分布の変化と必ずしも一致しないことが明らかとなった。
論文 参考訳（メタデータ） (2023-09-16T11:44:51Z) - Pacos: Modeling Users' Interpretable and Context-Dependent Choices in
Preference Reversals [8.041047797530808]
我々は,ユーザの適応重み,イテム間比較,表示位置の3つの要因を同定した。
3つの要因を同時に扱うための統合フレームワークとして,Pacosというコンテキスト依存の嗜好モデルを提案する。
実験の結果,提案手法は,ユーザの選択を予測するための先行作業よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-03-10T01:49:56Z) - Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。
既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。
本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
論文 参考訳（メタデータ） (2023-02-10T05:10:26Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Preference Dynamics Under Personalized Recommendations [12.89628003097857]
ユーザがパーソナライズされたコンテンツレコメンデーションを受けると、偏光に類似する現象が生じるかどうかを示す。
より興味深い目的は、リコメンデーションアルゴリズムがユーザの好みの定常性を保証するための条件を理解することである。
論文 参考訳（メタデータ） (2022-05-25T19:29:53Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。
具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
論文 参考訳（メタデータ） (2022-04-29T19:13:23Z) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳（メタデータ） (2022-04-25T21:04:46Z) - Diverse Preference Augmentation with Multiple Domains for Cold-start
Recommendations [92.47380209981348]
メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。
我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。
これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
論文 参考訳（メタデータ） (2022-04-01T10:10:50Z) - Identifying Influential Users in Unknown Social Networks for Adaptive
Incentive Allocation Under Budget Restriction [24.793013471521924]
インセンティブ化はユーザの行動に影響を与えるためのより積極的な方法であることが証明されている。
未知ネットワークにおける影響力のあるユーザを探索するための新しいアルゴリズムを提案する。
ユーザの好みと影響能力に基づいてインセンティブ値を決定する適応型インセンティブアロケーション・アプローチを設計する。
論文 参考訳（メタデータ） (2021-07-13T11:20:10Z)
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。