論文の概要: A Simulation Framework for Studying Systemic Effects of Feedback Loops in Recommender Systems

• arxiv url: http://arxiv.org/abs/2510.14857v1
• Date: Thu, 16 Oct 2025 16:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.95036
• Title: A Simulation Framework for Studying Systemic Effects of Feedback Loops in Recommender Systems
• Title（参考訳）: リコメンダシステムにおけるフィードバックループの系統効果のシミュレーションフレームワーク
• Authors: Gabriele Barlacchi, Margherita Lalli, Emanuele Ferragina, Fosca Giannotti, Luca Pappalardo,
• Abstract要約: 本稿では,オンライン小売環境におけるリコメンデータシステムのモデル化のためのシミュレーションフレームワークを提案する。 我々は,異なる推薦アルゴリズムが多様性,購入集中度,ユーザの同質化に時間とともにどのように影響するかを分析する。
• 参考スコア（独自算出の注目度）: 1.0533049092789448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems continuously interact with users, creating feedback loops that shape both individual behavior and collective market dynamics. This paper introduces a simulation framework to model these loops in online retail environments, where recommenders are periodically retrained on evolving user-item interactions. Using the Amazon e-Commerce dataset, we analyze how different recommendation algorithms influence diversity, purchase concentration, and user homogenization over time. Results reveal a systematic trade-off: while the feedback loop increases individual diversity, it simultaneously reduces collective diversity and concentrates demand on a few popular items. Moreover, for some recommender systems, the feedback loop increases user homogenization over time, making user purchase profiles increasingly similar. These findings underscore the need for recommender designs that balance personalization with long-term diversity.
• Abstract（参考訳）: Recommenderシステムはユーザと継続的に対話し、個々の振る舞いと集合市場のダイナミクスの両方を形成するフィードバックループを作成する。 本稿では,これらのループをオンライン小売環境でモデル化するためのシミュレーションフレームワークを提案する。 Amazonのeコマースデータセットを使用して、異なる推奨アルゴリズムが多様性、購入集中度、および時間の経過とともにユーザ均質化にどのように影響するかを分析する。 フィードバックループは個人の多様性を増大させるが、同時に集団の多様性を減少させ、いくつかの人気アイテムへの需要に集中する。 さらに、一部のレコメンデーションシステムでは、フィードバックループが時間の経過とともにユーザの均質化を増大させ、ユーザの購入プロファイルがますます類似している。 これらの知見は、パーソナライゼーションと長期的な多様性のバランスをとるレコメンデーション設計の必要性を浮き彫りにしている。

関連論文リスト

• RecoWorld: Building Simulated Environments for Agentic Recommender Systems [55.979427290369216]
  エージェントレコメンデータシステムに適したシミュレーション環境を構築するための青写真であるRecoWorldを提示する。 ユーザシミュレータは、推奨項目をレビューし、その考え方を更新し、潜在的なユーザ切り離しを感知すると、反射指示を生成する。 エージェント推奨者は、これらのユーザ命令と推論トレースを取り入れ、ダイナミックなフィードバックループを作成することで、そのレコメンデーションに適応する。
  論文  参考訳（メタデータ） (2025-09-12T16:44:34Z)
• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• 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)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems [2.2706058775017217]
  オンラインプラットフォームは通常、消費者が商品を発見し購入する方法に影響を与えるレコメンデーションシステムを展開する。 いくつかの重要なコンポーネントを統合する新しいゲームフレームワークを提案する。 収益最大化レコメンダシステムはアルゴリズムによる共謀を増大させるのに対し,ユーティリティ最大化レコメンダシステムは売り手間の競争力を高めていることを示す。
  論文  参考訳（メタデータ） (2023-09-25T21:45:30Z)
• PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions [0.5801044612920815]
  共通のパターンと個人の行動に依存したアーキテクチャを提案する。 Nielsen Consumer Panel データセットの実証結果は,提案手法が最大27.9%のパフォーマンス向上を達成したことを示唆している。
  論文  参考訳（メタデータ） (2022-09-16T12:07:43Z)
• 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)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。