論文の概要: Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation

• arxiv url: http://arxiv.org/abs/2403.04511v1
• Date: Thu, 7 Mar 2024 14:14:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 13:56:01.969071
• Title: Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation
• Title（参考訳）: ディープフィルターのバブルを解き明かす: 短いビデオレコメンデーションで露光が狭くなる
• Authors: Nicholas Sukiennik, Chen Gao, Nian Li
• Abstract要約: フィルタバブルは、オンラインコンテンツプラットフォームのコンテキスト内で広く研究されている。 ショートビデオプラットフォームの増加に伴い、フィルターバブルはさらに注目されている。
• 参考スコア（独自算出の注目度）: 30.395376392259497
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Filter bubbles have been studied extensively within the context of online content platforms due to their potential to cause undesirable outcomes such as user dissatisfaction or polarization. With the rise of short-video platforms, the filter bubble has been given extra attention because these platforms rely on an unprecedented use of the recommender system to provide relevant content. In our work, we investigate the deep filter bubble, which refers to the user being exposed to narrow content within their broad interests. We accomplish this using one-year interaction data from a top short-video platform in China, which includes hierarchical data with three levels of categories for each video. We formalize our definition of a "deep" filter bubble within this context, and then explore various correlations within the data: first understanding the evolution of the deep filter bubble over time, and later revealing some of the factors that give rise to this phenomenon, such as specific categories, user demographics, and feedback type. We observe that while the overall proportion of users in a filter bubble remains largely constant over time, the depth composition of their filter bubble changes. In addition, we find that some demographic groups that have a higher likelihood of seeing narrower content and implicit feedback signals can lead to less bubble formation. Finally, we propose some ways in which recommender systems can be designed to reduce the risk of a user getting caught in a bubble.
• Abstract（参考訳）: フィルタバブルは、ユーザの不満や偏光といった望ましくない結果をもたらす可能性があるため、オンラインコンテンツプラットフォームの中で広く研究されている。 ショートビデオプラットフォームの台頭に伴い、これらのプラットフォームは関連するコンテンツを提供するために前例のないレコメンダシステムを使用しているため、フィルターバブルが注目されている。 本研究は,ユーザが幅広い関心事の中で狭いコンテンツに晒されていることを示す,深層フィルタバブルについて検討する。 われわれは中国でトップクラスのショートビデオプラットフォームからの1年間のインタラクションデータを用いてこれを達成している。 この文脈内での"ディープ"フィルタバブルの定義を形式化し、データ内のさまざまな相関関係を探索する。まず、時間とともにディープフィルタバブルの進化を理解し、その後、特定のカテゴリ、ユーザ人口統計、フィードバックタイプなど、この現象を引き起こすいくつかの要因を明らかにします。 フィルタバブル内のユーザの割合は時間とともにほぼ一定であるが,フィルタバブルの深さ組成は変化している。 さらに,狭義のコンテンツや暗黙のフィードバック信号を見る確率が高い集団では,気泡形成を減少させる可能性がある。 最後に,ユーザがバブルに巻き込まれるリスクを低減するために,レコメンデータシステムを設計する方法を提案する。

関連論文リスト

• Filter Bubble or Homogenization? Disentangling the Long-Term Effects of Recommendations on User Consumption Patterns [4.197682068104959]
  より洗練されたホモジェナイゼーションとフィルタバブル効果の定義を2つの重要な指標に分解して開発する。 次に,提案手法が均質化やフィルタバブル効果に与える影響を総合的に把握する新しいエージェント・ベース・シミュレーション・フレームワークを用いる。 両タイプの多様性を考慮し、より曖昧なアプローチをとる2つの新しい推奨アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-02-22T23:12:20Z)
• Filter Bubbles in Recommender Systems: Fact or Fallacy -- A Systematic Review [7.121051191777698]
  フィルターバブルとは、インターネットのカスタマイズによって様々な意見や素材から個人を効果的に隔離する現象を指す。 我々は,レコメンデータシステムにおけるフィルタバブルの話題について,系統的な文献レビューを行う。 本稿では,フィルタバブルの影響を緩和する機構を提案し,多様性をレコメンデーションに組み込むことで,この問題を緩和できる可能性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T13:41:42Z)
• Mitigating Filter Bubbles within Deep Recommender Systems [2.3590112541068575]
  推薦システムは、様々な視点からユーザーを知的に隔離したり、フィルターバブルを引き起こすことが知られている。 このフィルタバブル効果を,ユーザとテムのインタラクション履歴に基づいて,様々なデータポイントを分類し,緩和する。 我々は、このフィルタバブル効果を、リコメンデータシステムを再訓練することで、精度を損なうことなく軽減する。
  論文  参考訳（メタデータ） (2022-09-16T22:00:10Z)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• An Audit of Misinformation Filter Bubbles on YouTube: Bubble Bursting and Recent Behavior Changes [0.6094711396431726]
  本稿では,事前にプログラムされたエージェント(YouTubeユーザとして動作する)が誤情報フィルタバブルを掘り下げる研究について述べる。 私たちの重要な発見は、フィルターバブルの破裂が可能であることです。 残念なことに、YouTubeの最近の誓約にもかかわらず、誤報の発生についてあまり改善は見つからなかった。
  論文  参考訳（メタデータ） (2022-03-25T16:49:57Z)
• Echo Chambers in Collaborative Filtering Based Recommendation Systems [1.5140493624413542]
  我々は、MovieLensデータセットのユーザに対して協調フィルタリングアルゴリズムによって与えられるレコメンデーションをシミュレートする。 システム生成レコメンデーションの長期曝露は、コンテンツの多様性を著しく低下させる。 我々の研究は、これらのエコーチャンバが確立すれば、個々のユーザが自分の評価ベクトルのみを操作することで、突破するのは難しいことを示唆している。
  論文  参考訳（メタデータ） (2020-11-08T02:35:47Z)
• Tied Block Convolution: Leaner and Better CNNs with Shared Thinner Filters [50.10906063068743]
  畳み込みは畳み込みニューラルネットワーク(CNN)の主要な構成要素である 我々は,同じ細いフィルタを同一のチャネルブロック上で共有し,単一のフィルタで複数の応答を生成するTied Block Convolution (TBC)を提案する。
  論文  参考訳（メタデータ） (2020-09-25T03:58:40Z)
• Training Interpretable Convolutional Neural Networks by Differentiating Class-specific Filters [64.46270549587004]
  畳み込みニューラルネットワーク(CNN)は、様々なタスクでうまく使われている。 CNNは、しばしば「ブラックボックス」と解釈可能性の欠如とみなされる。 本稿では,クラス固有のフィルタを奨励することで,解釈可能なCNNを訓練する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T09:12:26Z)
• Deep Learning feature selection to unhide demographic recommender systems factors [63.732639864601914]
  行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
  論文  参考訳（メタデータ） (2020-06-17T17:36:48Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)

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。