論文の概要: Algorithmic Collective Action in Recommender Systems: Promoting Songs by Reordering Playlists

• arxiv url: http://arxiv.org/abs/2404.04269v1
• Date: Tue, 19 Mar 2024 23:27:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-14 13:21:48.429666
• Title: Algorithmic Collective Action in Recommender Systems: Promoting Songs by Reordering Playlists
• Title（参考訳）: 推薦システムにおけるアルゴリズム的集合行動:プレイリストの並べ替えによる歌の促進
• Authors: Joachim Baumann, Celestine Mendler-Dünner,
• Abstract要約: 変圧器を用いた推薦システムにおけるアルゴリズム的集団行動について検討する。 我々のユースケースは、アーティストがコントロールする既存のプレイリストに曲を戦略的に配置することで、アーティストの可視性を促進することを目的としたファンの集まりである。 我々は,この目標に向けて,実装が容易な2つの戦略を導入し,主要な音楽ストリーミングプラットフォームがリリースするレコメンデータシステムモデル上で,その有効性を検証した。
• 参考スコア（独自算出の注目度）: 10.681288493631978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate algorithmic collective action in transformer-based recommender systems. Our use case is a collective of fans aiming to promote the visibility of an artist by strategically placing one of their songs in the existing playlists they control. The success of the collective is measured by the increase in test-time recommendations of the targeted song. We introduce two easily implementable strategies towards this goal and test their efficacy on a publicly available recommender system model released by a major music streaming platform. Our findings reveal that even small collectives (controlling less than 0.01% of the training data) can achieve up 25x amplification of recommendations by strategically choosing the position at which to insert the song. We then focus on investigating the externalities of the strategy. We find that the performance loss for the platform is negligible, and the recommendations of other songs are largely preserved, minimally impairing the user experience of participants. Moreover, the costs are evenly distributed among other artists. Taken together, our findings demonstrate how collective action strategies can be effective while not necessarily being adversarial, raising new questions around incentives, social dynamics, and equilibria in recommender systems.
• Abstract（参考訳）: 変圧器を用いた推薦システムにおけるアルゴリズム的集団行動について検討する。 我々のユースケースは、アーティストがコントロールする既存のプレイリストに曲を戦略的に配置することで、アーティストの可視性を促進することを目的としたファンの集まりである。 この曲の成功は、対象歌のテストタイムレコメンデーションの増加によって測定される。 我々は,この目標に向けて,実装が容易な2つの戦略を導入し,主要な音楽ストリーミングプラットフォームがリリースするレコメンデータシステムモデル上で,その有効性を検証した。 その結果,小集団(トレーニングデータの0.01%未満をコントロールしている)でさえ,楽曲挿入位置を戦略的に選択することで,推薦の25倍の増幅を達成できることが判明した。 次に、戦略の外部性の調査に焦点をあてる。 プラットフォームの性能損失は無視でき、他の曲の推薦は大部分が保存されており、参加者のユーザエクスペリエンスを損なうことが最小限である。 さらに、コストは他のアーティストに均等に分配される。 本研究は, 包括的行動戦略が必ずしも敵対的ではなく, インセンティブ, 社会的ダイナミクス, およびレコメンデーターシステムにおける均衡に関する新たな疑問を提起する上で有効であることを示すものである。

関連論文リスト

• It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation [7.94306624344211]
  本研究では、ランク付け戦略とユーザー選択モデルがジェンダーフェアネス指標に及ぼす影響について検討する。 再ランク戦略は、ユーザの選択モデルよりも、時間の経過とともにリコメンデーションフェアネスに影響を及ぼす。
  論文  参考訳（メタデータ） (2024-08-22T11:44:46Z)
• How to Diversify any Personalized Recommender? [0.0]
  精度を維持しつつTop-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。 当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。 トレーニングに事前処理されたデータを使用すると、元の未修正データでトレーニングされたデータと同等のパフォーマンスレベルを達成するためのレコメンデーションシステムになる。
  論文  参考訳（メタデータ） (2024-05-03T15:02:55Z)
• Reinforcement Learning Jazz Improvisation: When Music Meets Game Theory [0.24578723416255752]
  ジャズ即興化のための数学ゲーム理論モデルを提案する。 強化学習を用いて、多様な即興戦略とその組み合わせのパフォーマンスを探索する。 私たちの仕事はジャズを超える有望な応用の基礎を築いた。
  論文  参考訳（メタデータ） (2024-02-25T16:46:15Z)
• Fast Peer Adaptation with Context-aware Exploration [63.08444527039578]
  マルチエージェントゲームにおける学習エージェントに対するピア識別報酬を提案する。 この報酬は、効果的な探索と迅速な適応のための文脈認識ポリシーを学ぶためのエージェントのモチベーションとなる。 我々は,競争力のある(クーンポーカー),協力的(PO-Overcooked),あるいは混合的(Predator-Prey-W)な(Pedator-Prey-W)ゲームを含む多種多様なテストベッドについて評価を行った。
  論文  参考訳（メタデータ） (2024-02-04T13:02:27Z)
• 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)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Two-Stage Constrained Actor-Critic for Short Video Recommendation [23.12631658373264]
  CMDP(Constrained Markov Decision Process)として短いビデオレコメンデーションの問題を定式化する。 本稿では,各補助信号の最適化のための2段階制約付きアクター批判手法を提案する。 我々の手法は、時計時間と相互作用の両面で、他のベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2023-02-03T12:02:54Z)
• 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)
• Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning [16.728976424372362]
  音楽レコメンデーションモデルと対照学習活用選好(CLEP)を比較して、ユーザの音楽嗜好におけるネガティブな嗜好の役割を分析する。 実験の結果,CLEP-Nは他の2つよりも精度が高く,偽陽性率が高いことがわかった。
  論文  参考訳（メタデータ） (2022-07-28T07:02:48Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• Incentivizing Exploration with Selective Data Disclosure [70.11902902106014]
  効率的な探索を促すレコメンデーションシステムを提案し設計する。 エージェントは順次到着し、固定されたが未知のアクション固有の分布から引き出されたアクションを選択し、報酬を受け取る。 フレキシブル・頻繁な行動モデルを用いた探索において,最適な後悔率が得られる。
  論文  参考訳（メタデータ） (2018-11-14T19:29:16Z)

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。