論文の概要: Uncovering the Interaction Equation: Quantifying the Effect of User Interactions on Social Media Homepage Recommendations

• arxiv url: http://arxiv.org/abs/2407.07227v1
• Date: Tue, 9 Jul 2024 20:47:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 18:31:06.415406
• Title: Uncovering the Interaction Equation: Quantifying the Effect of User Interactions on Social Media Homepage Recommendations
• Title（参考訳）: インタラクション方程式の解明:ソーシャルメディアホームページ推薦におけるユーザインタラクションの効果の定量化
• Authors: Hussam Habib, Ryan Stoldt, Raven Maragh-Lloyd, Brian Ekdale, Rishab Nithyanand,
• Abstract要約: これまでのユーザーインタラクションが、YouTube、Reddit、X(旧Twitter)の3大プラットフォームにわたるユーザーのホームページフィードに提示されたコンテンツにどのように影響するかを調査する。 我々は、ホームページコンテンツに対する特定のユーザーインタラクションの影響を明らかにすることのできるデータを収集するために、慎重に設計された一連の実験を使用する。 本研究は,各プラットフォームが使用するコンテンツキュレーションアルゴリズムの動作,ユーザインタラクションに対する反応,および特定のトピックの優先順位付けの証拠を明らかにする。
• 参考スコア（独自算出の注目度）: 0.5030361857850012
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Social media platforms depend on algorithms to select, curate, and deliver content personalized for their users. These algorithms leverage users' past interactions and extensive content libraries to retrieve and rank content that personalizes experiences and boosts engagement. Among various modalities through which this algorithmically curated content may be delivered, the homepage feed is the most prominent. This paper presents a comprehensive study of how prior user interactions influence the content presented on users' homepage feeds across three major platforms: YouTube, Reddit, and X (formerly Twitter). We use a series of carefully designed experiments to gather data capable of uncovering the influence of specific user interactions on homepage content. This study provides insights into the behaviors of the content curation algorithms used by each platform, how they respond to user interactions, and also uncovers evidence of deprioritization of specific topics.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、ユーザーがパーソナライズしたコンテンツを選択、キュレート、提供するためのアルゴリズムに依存している。 これらのアルゴリズムは、ユーザの過去のインタラクションと広範なコンテンツライブラリを活用して、エクスペリエンスをパーソナライズし、エンゲージメントを高めるコンテンツの検索とランク付けを行う。 このアルゴリズムでキュレートされたコンテンツを配信できる様々なモダリティの中で、ホームページフィードが最も顕著である。 本稿は、YouTube、Reddit、X(旧Twitter)の3つの主要プラットフォームにわたる、ユーザのホームページフィードに提示されるコンテンツに、これまでのユーザーインタラクションがどのように影響するかを包括的に調査する。 我々は、ホームページコンテンツに対する特定のユーザーインタラクションの影響を明らかにすることのできるデータを収集するために、慎重に設計された一連の実験を使用する。 本研究は,各プラットフォームが使用するコンテンツキュレーションアルゴリズムの動作,ユーザインタラクションに対する反応,および特定のトピックの優先順位付けの証拠を明らかにする。

関連論文リスト

• EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations [38.44534579040017]
  ユーザと候補項目のオフライン事前計算を可能にするフレームワークであるEmbSumを紹介する。 このモデルがユーザ興味の要約を生成する能力は貴重な副産物であり、パーソナライズされたコンテンツレコメンデーションに有用である。
  論文  参考訳（メタデータ） (2024-05-19T04:31:54Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  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。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• SoMeR: Multi-View User Representation Learning for Social Media [1.7949335303516192]
  本稿では,ソーシャルメディアのユーザ表現学習フレームワークであるSoMeRを提案する。 SoMeRは、ユーザ投稿ストリームをタイムスタンプ付きテキスト機能のシーケンスとしてエンコードし、トランスフォーマーを使用してプロファイルデータと共にそれを埋め込み、リンク予測とコントラスト学習の目標を共同でトレーニングする。 1)類似コンテンツを同時に投稿するユーザを検出することによって、協調的な影響操作に関わる不正確なアカウントを同定し、2)異なる信念を持つユーザがより遠くへ移動する様子を定量化して、主要なイベント後のオンライン議論における偏光の増大を測定する。
  論文  参考訳（メタデータ） (2024-05-02T22:26:55Z)
• Can Probabilistic Feedback Drive User Impacts in Online Platforms? [26.052963782865294]
  コンテンツレコメンデーションシステムのネガティブなユーザへの影響に関する一般的な説明は、プラットフォームの目的とユーザ福祉の相違である。 本研究は,ユーザに対する意図しない影響の潜在的な原因は,プラットフォーム目標の不一致だけではないことを示す。 これらのユーザーへの影響の源泉は、異なるコンテンツが観測可能なユーザー反応(フィードバック情報)を異なるレートで生成する可能性があることである。
  論文  参考訳（メタデータ） (2024-01-10T18:12:31Z)
• Show Me What I Like: Detecting User-Specific Video Highlights Using Content-Based Multi-Head Attention [58.44096082508686]
  そこで本稿では,従来視聴したビデオに表示されていたハイライトクリップに基づいて,対象ビデオの個別化ハイライトを検出する手法を提案する。 本手法は,対象物と人的活動の事前学習機能を用いて,好むクリップの内容と対象ビデオの両方を明示的に活用する。
  論文  参考訳（メタデータ） (2022-07-18T02:32:48Z)
• An Empirical Investigation of Personalization Factors on TikTok [77.34726150561087]
  TikTokのアルゴリズムがプラットフォームの成功とコンテンツの配布に重要であるにもかかわらず、アルゴリズムの実証的な分析はほとんど行われていない。 我々は,私たちが開発したカスタムアルゴリズムを用いたソック・パペット・監査手法を用いて,TikTokへのアクセスに使用される言語と位置情報の効果を検証,分析した。 その結果,フォローフェールが最も強い影響を受けており,ライクフェールやビデオ視聴率が高いことが判明した。
  論文  参考訳（メタデータ） (2022-01-28T17:40:00Z)
• Like Article, Like Audience: Enforcing Multimodal Correlations for Disinformation Detection [20.394457328537975]
  ユーザ生成コンテンツとユーザ共有コンテンツの相関を利用して、オンラインニュース記事の偽情報を検出する。 偽情報検出のためのマルチモーダル学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-08-31T14:50:16Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• User Factor Adaptation for User Embedding via Multitask Learning [45.56193775870044]
  ユーザ関心をドメインとして扱い、ユーザ言語がどのように異なるかを経験的に検証する。 マルチタスク学習フレームワークを用いて,ユーザの関心の言語変動を考慮したユーザ埋め込みモデルを提案する。 モデルは人間の監督なしにユーザ言語とそのバリエーションを学習する。
  論文  参考訳（メタデータ） (2021-02-22T15:21:01Z)
• ContentWise Impressions: An Industrial Dataset with Impressions Included [68.5068326729525]
  ContentWise Impressionsデータセットは、Over-The-Topメディアサービスによる映画とテレビシリーズの暗黙の相互作用と印象の集合である。 本稿では,データ収集プロセス,前処理の適用状況,特徴,統計を,他の一般的なデータセットと比較した場合に述べる。 データをロードして分割するソフトウェアツールと、ユーザインタラクションとインプレッションの両方を、いくつかの一般的なレコメンデーションアルゴリズムで使用する方法の例をリリースする。
  論文  参考訳（メタデータ） (2020-08-03T21:46:38Z)

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。