論文の概要: User Altruism in Recommendation Systems

• arxiv url: http://arxiv.org/abs/2506.04525v2
• Date: Fri, 06 Jun 2025 17:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.070335
• Title: User Altruism in Recommendation Systems
• Title（参考訳）: 推薦システムにおけるユーザアルトリズム
• Authors: Ekaterina Fedorova, Madeline Kitch, Chara Podimata,
• Abstract要約: レコメンデーションシステム(RecSys)に基づくソーシャルメディアプラットフォームのユーザは、プラットフォームコンテンツと戦略的に対話し、将来のレコメンデーションに影響を与える。 このようなプラットフォームでは、ユーザーは大規模草の根運動を形成するために文書化されており、アルゴリズムによって抑圧されたコンテンツと対話し、その推奨を「ブースト」するよう促している。 ユーザとRecSysの間のゲームについて検討し、ユーザがRecSys(潜在的に操作された)のコンテンツに対する好みを提供する。 結果がいくつかのモデルの誤用に対して堅牢であることを示し、その結果を裏付ける。
• 参考スコア（独自算出の注目度）: 3.8506666685467343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Users of social media platforms based on recommendation systems (RecSys) (e.g. TikTok, X, YouTube) strategically interact with platform content to influence future recommendations. On some such platforms, users have been documented to form large-scale grassroots movements encouraging others to purposefully interact with algorithmically suppressed content in order to "boost" its recommendation; we term this behavior user altruism. To capture this behavior, we study a game between users and a RecSys, where users provide the RecSys (potentially manipulated) preferences over the contents available to them, and the RecSys -- limited by data and computation constraints -- creates a low-rank approximation preference matrix, and ultimately provides each user her (approximately) most-preferred item. We compare the users' social welfare under truthful preference reporting and under a class of strategies capturing user altruism. In our theoretical analysis, we provide sufficient conditions to ensure strict increases in user social welfare under user altruism, and provide an algorithm to find an effective altruistic strategy. Interestingly, we show that for commonly assumed recommender utility functions, effectively altruistic strategies also improve the utility of the RecSys! We show that our results are robust to several model misspecifications, thus strengthening our conclusions. Our theoretical analysis is complemented by empirical results of effective altruistic strategies on the GoodReads dataset, and an online survey on how real-world users behave altruistically in RecSys. Overall, our findings serve as a proof-of-concept of the reasons why traditional RecSys may incentivize users to form collectives and/or follow altruistic strategies when interacting with them.
• Abstract（参考訳）: レコメンデーションシステム(RecSys)に基づくソーシャルメディアプラットフォーム(例えばTikTok、X、YouTube)のユーザは、プラットフォームコンテンツと戦略的に対話し、将来のレコメンデーションに影響を与える。 このようなプラットフォームでは、利用者は大規模草の根運動を形成するために文書化されており、アルゴリズムによって抑圧されたコンテンツと意図的に対話し、その推奨を「ブースト」するためである。 この振る舞いを捉えるために,ユーザとRecSysのゲームを調査し,ユーザが利用可能なコンテンツに対してRecSys(潜在的に操作された)の嗜好を提供するとともに,RecSysはデータや計算制約に制限され,低ランクの近似選好行列を生成し,最終的に各ユーザに対して最も好まれるアイテム(およそ)を提供する。 我々は,ユーザの社会的福祉を,真に好意的な報告と,ユーザの利他主義を捉えた戦略のクラスで比較した。 理論的分析では、ユーザ利他主義の下でのユーザ社会福祉の厳格な増加を保証するのに十分な条件を提供し、効果的な利他主義戦略を見つけるためのアルゴリズムを提供する。 興味深いことに、一般的に想定されるユーティリティ機能に対して、効果的に利他的戦略がRecSysの実用性を向上させることも示している。 結果がいくつかのモデルの誤用に対して堅牢であることを示し、その結果を裏付ける。 我々の理論的分析は、GoodReadsデータセット上の効果的な利他主義戦略の実証的な結果と、RecSysにおける現実のユーザが利他主義的にどのように振る舞うかに関するオンライン調査によって補完される。 全体としては、従来のRecSysがユーザーに対して、集団を形成したり、利他主義的な戦略に従うことを動機づける理由の実証となる。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• 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)
• Beyond Trial-and-Error: Predicting User Abandonment After a Moderation Intervention [0.6918368994425961]
  現在のコンテンツモデレーションは、リアクティブで試行錯誤的なアプローチに従っている。 我々は、モデレーターが実装前に行動の影響を予測できるように、積極的に予測的なアプローチを導入する。 Reddit上でのオンラインコミュニティの大規模な禁止に対する16,540人のユーザーの反応を調査した。
  論文  参考訳（メタデータ） (2024-04-23T08:52:41Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• How Bad is Top-$K$ Recommendation under Competing Content Creators? [43.2268992294178]
  我々は,アナーキー価格のレンズによるユーザ福祉保証について検討する。 創造者競争によるユーザ福祉損失のごく一部は、ユーザ決定におけるKドルとランダム性に応じて、常に小さな一定値で上限づけられていることが示される。
  論文  参考訳（メタデータ） (2023-02-03T19:37:35Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Generalized Strategic Classification and the Case of Aligned Incentives [16.607142366834015]
  戦略的なユーザー行動の理由について、より広い視点で議論する。 我々のモデルは現在のモデルの多くを仮定するが、他の新しい設定を含んでいる。 結果とアプローチが,最も一般的なケースにどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-02-09T09:36:09Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)

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。