論文の概要: Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content

• arxiv url: http://arxiv.org/abs/2405.05596v1
• Date: Thu, 9 May 2024 07:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-10 14:02:33.619401
• Title: Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content
• Title（参考訳）: レコメンデーションにおけるストラテジゼーションの計測:ユーザは行動に適応して今後のコンテンツを作る
• Authors: Sarah H. Cen, Andrew Ilyas, Jennifer Allen, Hannah Li, Aleksander Madry,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.71102704873185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most modern recommendation algorithms are data-driven: they generate personalized recommendations by observing users' past behaviors. A common assumption in recommendation is that how a user interacts with a piece of content (e.g., whether they choose to "like" it) is a reflection of the content, but not of the algorithm that generated it. Although this assumption is convenient, it fails to capture user strategization: that users may attempt to shape their future recommendations by adapting their behavior to the recommendation algorithm. In this work, we test for user strategization by conducting a lab experiment and survey. To capture strategization, we adopt a model in which strategic users select their engagement behavior based not only on the content, but also on how their behavior affects downstream recommendations. Using a custom music player that we built, we study how users respond to different information about their recommendation algorithm as well as to different incentives about how their actions affect downstream outcomes. We find strong evidence of strategization across outcome metrics, including participants' dwell time and use of "likes." For example, participants who are told that the algorithm mainly pays attention to "likes" and "dislikes" use those functions 1.9x more than participants told that the algorithm mainly pays attention to dwell time. A close analysis of participant behavior (e.g., in response to our incentive conditions) rules out experimenter demand as the main driver of these trends. Further, in our post-experiment survey, nearly half of participants self-report strategizing "in the wild," with some stating that they ignore content they actually like to avoid over-recommendation of that content in the future. Together, our findings suggest that user strategization is common and that platforms cannot ignore the effect of their algorithms on user behavior.
• Abstract（参考訳）: ほとんどの現代的なレコメンデーションアルゴリズムはデータ駆動であり、ユーザーの過去の行動を観察することでパーソナライズされたレコメンデーションを生成する。 推奨の一般的な前提は、ユーザーがコンテンツ(例えば、そのコンテンツが「好き」かどうか)とどのように相互作用するかは、コンテンツのリフレクションであるが、それを生成したアルゴリズムではないということである。 この仮定は便利だが、ユーザの戦略を捉えることに失敗している。ユーザは推奨アルゴリズムに自分の振る舞いを適用することで、将来のレコメンデーションを形作ろうとする。 本研究では,実験と調査を実施し,ユーザストラテジゼーションの試行を行う。 ストラテジゼーションを捉えるために、戦略的なユーザがコンテンツだけでなく、下流のレコメンデーションにどう影響するかに基づいたエンゲージメント行動を選択するモデルを採用する。 私たちが構築したカスタム音楽プレイヤーを用いて、ユーザーが推奨アルゴリズムに関する異なる情報にどう反応するか、そして、その行動が下流の成果にどのように影響するかについて異なるインセンティブにどのように反応するかを研究する。 参加者の生活時間や「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。 例えば、アルゴリズムが主に「いいね」や「嫌悪」に注意を払っていると言われた参加者は、アルゴリズムが主に居住時間に注意を払っていると言われた参加者より1.9倍多い関数を使っている。 参加者行動の綿密な分析(例えば、インセンティブ条件に応じて)は、これらの傾向の主要因として実験者の需要を規定する。 さらに,実験後調査では,参加者の半数近くが「野生」を自己申告し,その内容の過度な推奨を避けるために実際に望む内容を無視していると回答した。 この結果から,ユーザのストラテジゼーションは一般的であり,プラットフォームはユーザの行動に対するアルゴリズムの影響を無視できないことが示唆された。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• User Strategization and Trustworthy Algorithms [81.82279667028423]
  ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。 そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
  論文  参考訳（メタデータ） (2023-12-29T16:09:42Z)
• Recommending to Strategic Users [10.079698681921673]
  ユーザーは、将来推奨されるコンテンツの種類に影響を与えるために、戦略的にコンテンツを選択する。 本稿では,戦略的消費を考慮した推奨品質向上のための3つの介入を提案する。
  論文  参考訳（メタデータ） (2023-02-13T17:57:30Z)
• How Bad is Top-$K$ Recommendation under Competing Content Creators? [43.2268992294178]
  我々は,アナーキー価格のレンズによるユーザ福祉保証について検討する。 創造者競争によるユーザ福祉損失のごく一部は、ユーザ決定におけるKドルとランダム性に応じて、常に小さな一定値で上限づけられていることが示される。
  論文  参考訳（メタデータ） (2023-02-03T19:37:35Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• 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)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)
• 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)

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。