論文の概要: Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms

• arxiv url: http://arxiv.org/abs/2410.23683v2
• Date: Fri, 01 Nov 2024 01:21:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 17:07:42.690777
• Title: Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms
• Title（参考訳）: 推薦プラットフォームにおけるユーザ満足度と創造的生産性のトレードオフ
• Authors: Fan Yao, Yiming Liao, Jingzhou Liu, Shaoliang Nie, Qifan Wang, Haifeng Xu, Hongning Wang,
• Abstract要約: 調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
• 参考スコア（独自算出の注目度）: 68.51708490104687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On User-Generated Content (UGC) platforms, recommendation algorithms significantly impact creators' motivation to produce content as they compete for algorithmically allocated user traffic. This phenomenon subtly shapes the volume and diversity of the content pool, which is crucial for the platform's sustainability. In this work, we demonstrate, both theoretically and empirically, that a purely relevance-driven policy with low exploration strength boosts short-term user satisfaction but undermines the long-term richness of the content pool. In contrast, a more aggressive exploration policy may slightly compromise user satisfaction but promote higher content creation volume. Our findings reveal a fundamental trade-off between immediate user satisfaction and overall content production on UGC platforms. Building on this finding, we propose an efficient optimization method to identify the optimal exploration strength, balancing user and creator engagement. Our model can serve as a pre-deployment audit tool for recommendation algorithms on UGC platforms, helping to align their immediate objectives with sustainable, long-term goals.
• Abstract（参考訳）: ユーザ生成コンテンツ(UGC)プラットフォームでは、レコメンデーションアルゴリズムは、アルゴリズムによって割り当てられたユーザートラフィックと競合するコンテンツを作成するクリエーターのモチベーションに大きな影響を及ぼす。 この現象は、プラットフォームの持続可能性に不可欠なコンテンツプールの体積と多様性を微妙に形作る。 本研究は,探索力の低い純粋に関連性の高い政策がユーザの短期的満足度を高めるが,コンテンツプールの長期的豊かさを損なうことを理論的かつ実証的に実証する。 対照的に、より積極的な調査方針はユーザーの満足度をわずかに損なうかもしれないが、より高いコンテンツ作成量を促進する。 以上の結果から,UGCプラットフォームにおけるユーザの即時満足度と全体のコンテンツ生産との根本的なトレードオフが明らかとなった。 そこで本研究では,探索強度を最適に把握し,ユーザと作成者のエンゲージメントのバランスをとるために,効率的な最適化手法を提案する。 当社のモデルは,UGCプラットフォーム上でのレコメンデーションアルゴリズムの事前デプロイ監査ツールとして機能し,その即時目標を持続可能な長期目標と整合させるのに役立つ。

関連論文リスト

• Where to Explore: A Reach and Cost-Aware Approach for Unbiased Data Collection in Recommender Systems [4.013613514540094]
  本稿では,到達度と機会コストに基づいた配置を最適化し,コンテンツレベルの探索を安全かつ効率的に提供するためのアプローチを提案する。 月間アクティブユーザ数が1億人を超える大規模ストリーミングプラットフォームにデプロイされた当社のアプローチでは,エンゲージメントの低いスクロール深度領域を識別する。 提案手法は,大規模に探索コンテンツを提示する,展開可能な行動情報機構を導入することで,既存のブラウザ内多様化と帯域幅に基づく探索手法を補完する。
  論文  参考訳（メタデータ） (2025-12-11T04:03:44Z)
• Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems [29.596401271139797]
  本稿では,新しいコンテンツレベル調査に基づくフィードバック尺度であるRetentive Relevanceを紹介する。 Retentive Relevanceは、ユーザーが同様のコンテンツのためにプラットフォームに戻る意図を直接評価する。 これらの結果から,Retentive Relevanceは,エンゲージメント信号および他の調査指標よりも,翌日のリテンションの予測に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-10-08T23:38:57Z)
• LMM-Incentive: Large Multimodal Model-based Incentive Design for User-Generated Content in Web 3.0 [60.604760613035126]
  Web 3.0は次世代のインターネットであり、価値表現とデータ所有権に焦点を当てた分散エコシステムとして広く認識されている。 ブロックチェーンと人工知能技術を活用することで、Web 3.0はユーザーがコンテンツを作成し、所有し、収益化するための前例のない機会を提供する。 一部の利己的なユーザは、コンテンツキュレーションの限界を利用して、少ない労力で低品質のコンテンツを生成し、情報非対称性の下でプラットフォーム報酬を得ることができる。
  論文  参考訳（メタデータ） (2025-10-06T12:39:29Z)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Algorithmic Content Selection and the Impact of User Disengagement [19.14804091327051]
  デジタルサービスはコンテンツ選択において根本的なトレードオフに直面している。 ユーザーエンゲージメントを維持するという長期的なメリットに対して、ハイリワードコンテンツから得た即時収益をバランスさせなければならない。
  論文  参考訳（メタデータ） (2024-10-17T00:43:06Z)
• 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)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)
• UOEP: User-Oriented Exploration Policy for Enhancing Long-Term User Experiences in Recommender Systems [7.635117537731915]
  強化学習(Reinforcement Learning, RL)は,レコメンデーションシステムにおけるユーザの長期体験向上の要因となっている。 現代のレコメンデータシステムは、何千万もの項目で異なるユーザ行動パターンを示しており、探索の難しさを高めている。 ユーザグループ間のきめ細かい探索を容易にする新しいアプローチであるユーザ指向探索ポリシー(UOEP)を提案する。
  論文  参考訳（メタデータ） (2024-01-17T08:01:18Z)
• Incentivizing High-Quality Content in Online Recommender Systems [80.19930280144123]
  プロデューサー間のゲームについて検討し、均衡で作成されたコンテンツを分析する。 HedgeやEXP3のような標準的なオンライン学習アルゴリズムは、残念なことにプロデューサに低品質コンテンツを作る動機を与えています。
  論文  参考訳（メタデータ） (2023-06-13T00:55:10Z)
• A Unified Framework for Integrating Semantic Communication and AI-Generated Content in Metaverse [57.317580645602895]
  統合セマンティックコミュニケーションとAI生成コンテンツ(ISGC)は近年多くの注目を集めている。 ISGCはユーザ入力から意味情報を転送し、デジタルコンテンツを生成し、Metaverse用のグラフィックをレンダリングする。 最適化されたリソース割り当てのための統合ゲインを含む,ISGCの2つの主要なメリットをキャプチャする統合フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-05-18T02:02:36Z)
• PIE: Personalized Interest Exploration for Large-Scale Recommender Systems [0.0]
  これらの課題に対処するために,大規模レコメンデータシステムにおける探索のためのフレームワークを提案する。 我々の方法論は、最小限の修正で既存の大規模レコメンデータシステムに容易に統合できる。 私たちの仕事は、何十億ものユーザーを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watchで運用されている。
  論文  参考訳（メタデータ） (2023-04-13T22:25:09Z)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities [34.288256311920904]
  我々は,ユーザユーティリティの目的と,推奨コンテンツに関連するプロバイダの反事実的ユーティリティリフトを最適化するために,強化推奨エージェントecoagent(ecoagent)を構築した。 私たちは、我々のアプローチの利点と限界の両方に光を当てるシミュレーション実験をいくつか提供します。
  論文  参考訳（メタデータ） (2021-05-06T00:02:58Z)

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。