論文の概要: Exploration on Demand: From Algorithmic Control to User Empowerment
- arxiv url: http://arxiv.org/abs/2507.21884v1
- Date: Tue, 29 Jul 2025 14:57:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.547224
- Title: Exploration on Demand: From Algorithmic Control to User Empowerment
- Title(参考訳): 需要の探索:アルゴリズム制御からユーザエンパワーメントへ
- Authors: Edoardo Bianchi,
- Abstract要約: 本稿では,映画レコメンデーションにおけるパーソナライズと多様性を効果的にバランスする,ユーザ制御探索を用いた適応クラスタリングフレームワークを提案する。
より少ないクラスタから戦略的にサンプリングすることで,推薦の多様性を制御できる新しい探索機構を提案する。
我々の大規模言語モデルに基づくA/Bテスト手法は、300人のシミュレーションユーザーによって実施され、72.7%の長期ユーザーが純粋に悪用されたものよりも探索的レコメンデーションを好むことが明らかとなった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems often struggle with over-specialization, which severely limits users' exposure to diverse content and creates filter bubbles that reduce serendipitous discovery. To address this fundamental limitation, this paper introduces an adaptive clustering framework with user-controlled exploration that effectively balances personalization and diversity in movie recommendations. Our approach leverages sentence-transformer embeddings to group items into semantically coherent clusters through an online algorithm with dynamic thresholding, thereby creating a structured representation of the content space. Building upon this clustering foundation, we propose a novel exploration mechanism that empowers users to control recommendation diversity by strategically sampling from less-engaged clusters, thus expanding their content horizons while preserving relevance. Experiments on the MovieLens dataset demonstrate the system's effectiveness, showing that exploration significantly reduces intra-list similarity from 0.34 to 0.26 while simultaneously increasing unexpectedness to 0.73. Furthermore, our Large Language Model-based A/B testing methodology, conducted with 300 simulated users, reveals that 72.7% of long-term users prefer exploratory recommendations over purely exploitative ones, providing strong evidence for the system's ability to promote meaningful content discovery without sacrificing user satisfaction.
- Abstract(参考訳): レコメンダシステムは、ユーザの多様なコンテンツへの露出を厳しく制限し、セレンディピティーな発見を減らすフィルターバブルを生成する、過剰な特殊化に苦慮することが多い。
そこで本研究では,映画レコメンデーションのパーソナライゼーションと多様性を効果的にバランスする,ユーザ制御探索による適応クラスタリングフレームワークを提案する。
提案手法は文変換器の埋め込みを利用して動的しきい値付きオンラインアルゴリズムを用いてアイテムをセマンティック・コヒーレントなクラスタにグループ化し,コンテンツ空間の構造化表現を生成する。
このクラスタリング基盤を基盤として,より少ないクラスタから戦略的に抽出し,関連性を保ちながらコンテンツの水平線を拡大することにより,ユーザが推薦の多様性を制御できるようにするための新たな探索機構を提案する。
MovieLensデータセットの実験では、システムの有効性が示され、探索によってリスト内の類似性が 0.34 から 0.26 に大幅に減少し、同時に予期せぬものも 0.73 に増加した。
さらに,300人のシミュレーションユーザで実施した大規模言語モデルに基づくA/Bテスト手法では,72.7%の長期ユーザが純粋に悪用されたユーザよりも探索的レコメンデーションを好んでおり,ユーザの満足を損なうことなく意味のあるコンテンツ発見を促進する能力を示す強い証拠が得られた。
関連論文リスト
- 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) - Beyond Relevance: An Adaptive Exploration-Based Framework for Personalized Recommendations [0.0]
本稿では,多様性と新規性を促進するための探索に基づく推薦フレームワークを提案する。
ユーザ制御探索機構は、探索されていないクラスタから選択的にサンプリングすることで多様性を高める。
MovieLensデータセットの実験では、探索を可能にすることで、リスト内の類似性が0.34から0.26に減少し、予期せぬ結果が0.73に増加した。
論文 参考訳(メタデータ) (2025-03-25T10:27:32Z) - Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
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。
論文 参考訳(メタデータ) (2024-10-31T07:19:22Z) - 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) - 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) - ECORS: An Ensembled Clustering Approach to Eradicate The Local And Global Outlier In Collaborative Filtering Recommender System [0.0]
外乱検知は レコメンデーターシステムにおける 重要な研究領域です
様々なクラスタリングアルゴリズムを用いて,これらの課題に対処する手法を提案する。
実験の結果,提案手法はリコメンデータシステムにおける異常検出の精度を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2024-10-01T05:06:07Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳(メタデータ) (2024-08-07T16:35:10Z) - 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) - Hierarchical Reinforcement Learning for Modeling User Novelty-Seeking
Intent in Recommender Systems [26.519571240032967]
本稿では,階層型ユーザ新規検索意図をモデル化する階層型強化学習手法を提案する。
さらに, 階層的RL (HRL) エージェントの報酬関数に多様性と新規性に関連する測定を取り入れ, ユーザの探索を促進する。
論文 参考訳(メタデータ) (2023-06-02T12:02:23Z) - 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) - Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。
ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。
ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
論文 参考訳(メタデータ) (2022-06-01T13:46:25Z)
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。