論文の概要: Recommendation and Temptation

• arxiv url: http://arxiv.org/abs/2412.10595v2
• Date: Wed, 23 Jul 2025 07:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 14:06:48.908133
• Title: Recommendation and Temptation
• Title（参考訳）: 勧告と誘惑
• Authors: Md Sanzeed Anwar, Paramveer S. Dhillon, Grant Schoenebeck,
• Abstract要約: エンリッチメントと誘惑の緊張を明示的にモデル化する新しいレコメンデーション設計を提案する。 私たちの仕事は、よりニュアンスでユーザ中心の推奨設計へのパラダイムシフトを表しています。
• 参考スコア（独自算出の注目度）: 3.734925590025741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional recommender systems based on revealed preferences often fail to capture the fundamental duality in user behavior, where consumption choices are driven by both inherent value (enrichment) and instant appeal (temptation). Consequently, these systems may generate recommendations that prioritize short-term engagement over long-lasting user satisfaction. We propose a novel recommender design that explicitly models the tension between enrichment and temptation. We introduce a behavioral model that accounts for how both enrichment and temptation influence user choices, while incorporating the reality of off-platform alternatives. Building on this model, we formulate a novel recommendation objective aligned with maximizing consumed enrichment and prove the optimality of a locally greedy recommendation strategy. Finally, we present an estimation framework that leverages the distinction between explicit user feedback and implicit choice data while making minimal assumptions about off-platform options. Through comprehensive evaluation using both synthetic simulations and real-world data from the MovieLens dataset, we demonstrate that our approach consistently outperforms competitive baselines that ignore temptation dynamics either by assuming revealed preferences or recommending solely based on enrichment. Our work represents a paradigm shift toward more nuanced and user-centric recommender design, with significant implications for developing responsible AI systems that genuinely serve users' long-term interests rather than merely maximizing engagement.
• Abstract（参考訳）: 明示的な嗜好に基づく従来のレコメンデータシステムは、消費選択が固有の価値(豊かさ)と即時魅力(空虚さ)の両方によって駆動される、ユーザ行動の基本的な双対性を捉えるのに失敗することが多い。 これらのシステムは、長期間のユーザ満足度よりも短期的なエンゲージメントを優先するレコメンデーションを生成することができる。 エンリッチメントと誘惑の緊張を明示的にモデル化する新しいレコメンデーション設計を提案する。 我々は,リッチ化と誘惑がユーザの選択にどのように影響するかを考慮し,クロスプラットフォームの代替手段の現実を取り入れた行動モデルを導入する。 このモデルに基づいて,消費富化を最大化し,局所的な欲求的推薦戦略の最適性を証明するため,新たな推薦目標を定式化する。 最後に、明示的なユーザフィードバックと暗黙的な選択データとの区別を利用して、オフプラットフォームオプションに関する最小限の仮定を行う推定フレームワークを提案する。 MovieLensデータセットからの合成シミュレーションと実世界のデータの両方を用いた総合的な評価を通じて、我々のアプローチは、明らかにされた嗜好を仮定するか、エンリッチメントのみに基づく推奨を行うことで、誘惑のダイナミクスを無視した競争ベースラインを一貫して上回っていることを実証した。 私たちの仕事は、単にエンゲージメントを最大化するのではなく、ユーザの長期的な利益に真に貢献する責任あるAIシステムを開発する上で重要な意味を持つ、よりニュアンスでユーザ中心のレコメンデーション設計へのパラダイムシフトを表している。

関連論文リスト

• Churn-Aware Recommendation Planning under Aggregated Preference Feedback [6.261444979025644]
  本稿では,近年の規制と技術の変化を動機とした逐次的意思決定問題について考察する。 我々はRec-APCモデルを導入し、匿名ユーザを既知の先行ユーザ型から抽出する。 最適ポリシが有限時間で純粋な利用に収束することを証明し、それらを効率的に計算するための分岐とバウンドのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-06T19:22:47Z)
• Towards Human-like Preference Profiling in Sequential Recommendation [42.100841285901474]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• 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)
• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Modeling Churn in Recommender Systems with Aggregated Preferences [6.261444979025644]
  本稿では,集約されたユーザ情報を活用し,混乱リスクを軽減するという2つの課題に対処するモデルを提案する。 本モデルでは,ユーザタイプに対する確率的事前確率と,各種コンテンツタイプに対する満足度を推定する。
  論文  参考訳（メタデータ） (2025-02-09T13:12:11Z)
• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Modeling User Retention through Generative Flow Networks [34.74982897470852]
  フローベースのモデリング技術は、ユーザセッションで推奨される各項目に対する保持報酬をバックプロパガントすることができる。 従来の学習目標と組み合わされたフローは、最終的には、即時フィードバックとユーザ保持の両方に対して、非カウントの累積報酬を最適化した。
  論文  参考訳（メタデータ） (2024-06-10T06:22:18Z)
• Sustainable Transparency in Recommender Systems: Bayesian Ranking of Images for Explainability [5.499796332553708]
  Recommender Systemsは現代の世界では重要になってきており、ユーザを関連コンテンツや製品へと導くのが一般的である。 パーソナライズされた説明が 解決策として現れました BRIEは、Pairwise Rankingを活用してトレーニングプロセスを強化する新しいモデルです。
  論文  参考訳（メタデータ） (2023-07-27T22:57:55Z)
• 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)
• Debiased Recommendation with Neural Stratification [19.841871819722016]
  我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。 提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-08-15T15:45:35Z)
• CausPref: Causal Preference Learning for Out-of-Distribution Recommendation [36.22965012642248]
  現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。 本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。 当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-08T16:42:03Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Latent Unexpected Recommendations [89.2011481379093]
  ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
  論文  参考訳（メタデータ） (2020-07-27T02:39:30Z)
• Convolutional Gaussian Embeddings for Personalized Recommendation with Uncertainty [17.258674767363345]
  既存の埋め込みベースのレコメンデーションモデルは、低次元空間における単一の固定点に対応する埋め込みを使用する。 本稿では,不確実な嗜好に適応することが証明されたガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。 本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を計算する。
  論文  参考訳（メタデータ） (2020-06-19T02:10:38Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。