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

• arxiv url: http://arxiv.org/abs/2404.04269v2
• Date: Thu, 16 Jan 2025 18:59:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:07:48.228577
• 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音楽ストリーミングプラットフォームであり、ファンの集まりは、表現不足のアーティストの可視性を促進することを目的としています。 曲を挿入する位置を選択するための2つの簡単な実装可能な戦略を導入し、テスト時にレコメンデーションを強化することを目標にしている。
• 参考スコア（独自算出の注目度）: 10.681288493631978
• License:
• Abstract: We investigate algorithmic collective action in transformer-based recommender systems. Our use case is a music streaming platform where a collective of fans aims to promote the visibility of an underrepresented artist by strategically placing one of their songs in the existing playlists they control. We introduce two easily implementable strategies to select the position at which to insert the song with the goal to boost recommendations at test time. The strategies exploit statistical properties of the learner by targeting discontinuities in the recommendations, and leveraging the long-tail nature of song distributions. We evaluate the efficacy of our strategies using a publicly available recommender system model released by a major music streaming platform. Our findings reveal that through strategic placement even small collectives (controlling less than 0.01\% of the training data) can achieve up to $40\times$ more test time recommendations than an average song with the same number of training set occurrences. Focusing on the externalities of the strategy, we find that the recommendations of other songs are largely preserved, and the newly gained recommendations are distributed across various artists. Together, our findings demonstrate how carefully designed collective action strategies can be effective while not necessarily being adversarial.
• 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。 私たちのユースケースは音楽ストリーミングプラットフォームであり、ファンの集まりは、コントロールしている既存のプレイリストに曲の1つを戦略的に配置することで、表現不足のアーティストの可視性を高めることを目的としています。 曲を挿入する位置を選択するための2つの簡単な実装可能な戦略を導入し、テスト時にレコメンデーションを強化することを目標にしている。 提案手法は,推薦における不連続性をターゲットとして,学習者の統計的特性を活かし,楽曲配信の長期的特性を活用する。 大手音楽ストリーミングプラットフォームが公開するレコメンデータシステムモデルを用いて,我々の戦略の有効性を評価する。 実験の結果,小集団の戦略的な配置(トレーニングデータの0.01\%未満の制御)によって,トレーニングセットの発生回数が同じ平均的な曲よりも40\times$多くのテストタイムレコメンデーションが達成できることがわかった。 戦略の外部性に着目し,他の楽曲のレコメンデーションはほとんど保存されており,新たに得られたレコメンデーションは様々なアーティストに分散されている。 本研究は、必ずしも敵対的とは限らず、集団的行動戦略がいかに効果的に設計されているかを示すものである。

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。