論文の概要: System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes

• arxiv url: http://arxiv.org/abs/2406.01611v1
• Date: Wed, 29 May 2024 18:19:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 21:31:36.256580
• Title: System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes
• Title（参考訳）: システム2レコメンダ:時間的ポイント・プロシースによる勧告システムにおける実用性とエンゲージメントの両立
• Authors: Arpit Agarwal, Nicolas Usunier, Alessandro Lazaric, Maximilian Nickel,
• Abstract要約: 本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。 そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
• 参考スコア（独自算出の注目度）: 80.97898201876592
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recommender systems are an important part of the modern human experience whose influence ranges from the food we eat to the news we read. Yet, there is still debate as to what extent recommendation platforms are aligned with the user goals. A core issue fueling this debate is the challenge of inferring a user utility based on engagement signals such as likes, shares, watch time etc., which are the primary metric used by platforms to optimize content. This is because users utility-driven decision-processes (which we refer to as System-2), e.g., reading news that are relevant for them, are often confounded by their impulsive decision-processes (which we refer to as System-1), e.g., spend time on click-bait news. As a result, it is difficult to infer whether an observed engagement is utility-driven or impulse-driven. In this paper we explore a new approach to recommender systems where we infer user utility based on their return probability to the platform rather than engagement signals. Our intuition is that users tend to return to a platform in the long run if it creates utility for them, while pure engagement-driven interactions that do not add utility, may affect user return in the short term but will not have a lasting effect. We propose a generative model in which past content interactions impact the arrival rates of users based on a self-exciting Hawkes process. These arrival rates to the platform are a combination of both System-1 and System-2 decision processes. The System-2 arrival intensity depends on the utility and has a long lasting effect, while the System-1 intensity depends on the instantaneous gratification and tends to vanish rapidly. We show analytically that given samples it is possible to disentangle System-1 and System-2 and allow content optimization based on user utility. We conduct experiments on synthetic data to demonstrate the effectiveness of our approach.
• Abstract（参考訳）: リコメンダーシステムは現代の人間の体験の重要な部分であり、その影響は、食べる食べ物から読むニュースまで様々である。 しかし、レコメンデーションプラットフォームがユーザ目標とどの程度一致しているかについては、まだ議論がある。 この議論を刺激する中核的な問題は、プラットフォームがコンテンツを最適化するために使用している主要な指標である、いいね!、シェア、ウォッチタイムなどのエンゲージメント信号に基づいてユーザユーティリティを推測する、という課題である。 これは、ユーザーがユーティリティ駆動の意思決定プロセス(System-2と呼ぶ)、例えば、それらに関連するニュースを読むことは、しばしば衝動的意思決定プロセス(System-1と呼ぶ)、例えばクリックベイトニュースに費やす時間によって構成されるためである。 その結果、観測されたエンゲージメントがユーティリティ駆動なのかインパルス駆動なのかを推測することは困難である。 本稿では、エンゲージメント信号ではなく、プラットフォームへのリターン確率に基づいてユーザユーティリティを推測する、リコメンデータシステムに対する新しいアプローチを提案する。 私たちの直感は、ユーザーがユーティリティを作成すれば、長期的にはプラットフォームに戻る傾向がありますが、ユーティリティを追加しない純粋なエンゲージメント駆動インタラクションは、短期的にはユーザリターンに影響を与えるかもしれませんが、持続的な効果はありません。 本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。 これらのプラットフォームへの到着率は、System-1とSystem-2の両方の決定プロセスの組み合わせである。 System-2の到着強度は実用性に依存するが、System-1の到着強度は即時的な満足度に依存し、急速に消滅する傾向にある。 そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。 提案手法の有効性を実証するために, 合成データの実験を行った。

関連論文リスト

• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Our Model Achieves Excellent Performance on MovieLens: What Does it Mean? [43.3971105361606]
  我々は、MovieLensデータセットの綿密な分析を行う。 MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。 そこで本研究では,MovieLensシステムで使用されるインタラクション生成機構と,一般的な実世界のレコメンデーションシナリオとの相違について論じる。
  論文  参考訳（メタデータ） (2023-07-19T13:44:32Z)
• A Transformer-Based User Satisfaction Prediction for Proactive Interaction Mechanism in DuerOS [12.060990859604681]
  そこで本研究では,ユーザに対して提示する前に,ユーザの満足度とユーザの反応を予測できる能動的インタラクション機構を提案する。 ユーザが予測に応じて満足できない場合、システムはユーザの本当の意図を決定するのに適した質問をユーザに尋ねる。 当社のモデルをDuerOS上に展開・評価し,ユーザ満足度予測の精度に対する19%の相対的改善と,ユーザエクスペリエンスに対する2.3%の相対的改善を観察した。
  論文  参考訳（メタデータ） (2022-12-05T09:17:49Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Offline Reinforcement Learning for Mobile Notifications [1.965345368500676]
  モバイル通知システムは、オンラインプラットフォームにおけるユーザエンゲージメントの推進と維持において重要な役割を担っている。 通知システムにおけるほとんどの機械学習アプリケーションは、応答予測モデルを中心に構築されている。 我々は、強化学習は、パフォーマンスとイテレーションのスピードの観点から、通知システムにとってより良いフレームワークであると主張する。
  論文  参考訳（メタデータ） (2022-02-04T22:22:22Z)
• Measuring Recommender System Effects with Simulated Users [19.09065424910035]
  人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。 各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-01-12T14:51:11Z)
• Improving Conversational Question Answering Systems after Deployment using Feedback-Weighted Learning [69.42679922160684]
  本稿では,二元的ユーザフィードバックを用いた初期教師付きシステムを改善するために,重要サンプリングに基づくフィードバック重み付き学習を提案する。 当社の作業は,実際のユーザとのインタラクションを活用し,デプロイ後の会話システムを改善する可能性を開くものだ。
  論文  参考訳（メタデータ） (2020-11-01T19:50:34Z)
• Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
  本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。 これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。 本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
  論文  参考訳（メタデータ） (2020-06-19T20:49:14Z)

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。