論文の概要: The Feedback Loop Between Recommendation Systems and Reactive Users

• arxiv url: http://arxiv.org/abs/2504.07105v1
• Date: Fri, 14 Mar 2025 19:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 07:51:52.623870
• Title: The Feedback Loop Between Recommendation Systems and Reactive Users
• Title（参考訳）: レコメンデーションシステムとリアクティブユーザ間のフィードバックループ
• Authors: Atefeh Mollabagher, Parinaz Naghizadeh,
• Abstract要約: ユーザの意見力学とレコメンデーションシステムとのフィードバックループをモデル化する。 反応ポリシーは、ユーザーが望ましくない意見の変化を効果的に防いだり、制限したりするのにどう役立つかを示す。
• 参考スコア（独自算出の注目度）: 6.660458629649826
• License:
• Abstract: Recommendation systems underlie a variety of online platforms. These recommendation systems and their users form a feedback loop, wherein the former aims to maximize user engagement through personalization and the promotion of popular content, while the recommendations shape users' opinions or behaviors, potentially influencing future recommendations. These dynamics have been shown to lead to shifts in users' opinions. In this paper, we ask whether reactive users, who are cognizant of the influence of the content they consume, can prevent such changes by actively choosing whether to engage with recommended content. We first model the feedback loop between reactive users' opinion dynamics and a recommendation system. We study these dynamics under three different policies - fixed content consumption (a passive policy), and decreasing or adaptive decreasing content consumption (reactive policies). We analytically show how reactive policies can help users effectively prevent or restrict undesirable opinion shifts, while still deriving utility from consuming content on the platform. We validate and illustrate our theoretical findings through numerical experiments.
• Abstract（参考訳）: 推薦システムは様々なオンラインプラットフォームを基盤としている。 これらのレコメンデーションシステムとそのユーザはフィードバックループを形成し、前者はパーソナライズや人気コンテンツのプロモーションを通じてユーザエンゲージメントを最大化することを目的としており、レコメンデーションはユーザの意見や行動を形作り、将来のレコメンデーションに影響を与える可能性がある。 これらのダイナミクスは、ユーザの意見の変化につながることが示されている。 本稿では,消費するコンテンツの影響を認識したリアクティブユーザに対して,推奨コンテンツへの参加を積極的に選択することで,このような変化を防止できるかどうかを問う。 まず、リアクティブユーザの意見力学とレコメンデーションシステムとのフィードバックループをモデル化する。 我々は,3つの異なる政策,すなわち,コンテンツ消費の固定化(受動的政策),コンテンツ消費の減少あるいは適応的減少(反応性政策)について検討する。 我々は、リアクティブポリシーが、プラットフォーム上でコンテンツを消費することによるユーティリティーを導いながら、ユーザーが望ましくない意見シフトを効果的に防止または制限するのに役立つかを分析的に示す。 数値実験による理論的知見の検証と説明を行う。

関連論文リスト

• Negative Sampling in Recommendation: A Survey and Future Directions [43.11318243903388]
  ネガティブサンプリングは、ユーザの行動に固有の真のネガティブな側面を明らかにすることに熟練している。 我々は、既存のネガティブサンプリング戦略に関する広範な文献レビューを行い、推奨する。 多様なレコメンデーションシナリオにおいて、最適化されたネガティブサンプリング戦略の洞察について詳述する。
  論文  参考訳（メタデータ） (2024-09-11T12:48:52Z)
• Harm Mitigation in Recommender Systems under User Preference Dynamics [16.213153879446796]
  本稿では,レコメンデーション,ユーザ関心,有害コンテンツとの相互作用を考慮したレコメンデーションシステムについて考察する。 クリックスルー率(CTR)の最大化と害軽減のトレードオフを確立するためのレコメンデーションポリシーを模索する。
  論文  参考訳（メタデータ） (2024-06-14T09:52:47Z)
• 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)
• 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)
• The Impact of Recommendation Systems on Opinion Dynamics: Microscopic versus Macroscopic Effects [1.4180331276028664]
  本研究では,ユーザに対するレコメンデーションシステムの影響を,顕微鏡的(すなわち個々のユーザレベルで)とマクロ的視点の両方から検討する。 分析の結果,個々のユーザの意見の変化は,人口の意見分布の変化と必ずしも一致しないことが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-16T11:44:51Z)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• 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)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Meta Policy Learning for Cold-Start Conversational Recommendation [71.13044166814186]
  メタ強化学習を用いて冷間開始ユーザを対象としたCRSポリシー学習について検討する。 政策適応を容易にするために,3つの相乗成分を設計する。
  論文  参考訳（メタデータ） (2022-05-24T05:06:52Z)
• Explicit User Manipulation in Reinforcement Learning Based Recommender Systems [0.0]
  強化学習に基づくレコメンデータシステムは、クリック、エンゲージメント、消費の最大化を意味するならば、ユーザに影響を与えることができる。 ソーシャルメディアは政治的分極の増大に寄与する要因であることが示されている。 ユーザの信念と意見が特定の端に向けて調整された明示的なユーザ操作は、重要な関心事として現れます。
  論文  参考訳（メタデータ） (2022-03-20T19:03:18Z)
• 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)

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。