論文の概要: The Order of Recommendation Matters: Structured Exploration for Improving the Fairness of Content Creators

• arxiv url: http://arxiv.org/abs/2510.20698v1
• Date: Thu, 23 Oct 2025 16:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.326751
• Title: The Order of Recommendation Matters: Structured Exploration for Improving the Fairness of Content Creators
• Title（参考訳）: 推薦事項の順序:コンテンツクリエーターの公正性向上のための構造化探索
• Authors: Salima Jaoua, Nicolò Pagan, Anikó Hannák, Stefania Ionescu,
• Abstract要約: ソーシャルメディアプラットフォーム上でコンテンツクリエーターの公正性を高めるための介入を見つける。 順序付き比較を用いることで、新しいアイテムセットのコールドスタート問題を克服することができる。 実験によると、介入はプラットフォームの初期段階に展開する際の公正性を改善するが、既存のバイアスの強さが増加するにつれて効果は低下する。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media platforms provide millions of professional content creators with sustainable incomes. Their income is largely influenced by their number of views and followers, which in turn depends on the platform's recommender system (RS). So, as with regular jobs, it is important to ensure that RSs distribute revenue in a fair way. For example, prior work analyzed whether the creators of the highest-quality content would receive the most followers and income. Results showed this is unlikely to be the case, but did not suggest targeted solutions. In this work, we first use theoretical analysis and simulations on synthetic datasets to understand the system better and find interventions that improve fairness for creators. We find that the use of ordered pairwise comparison overcomes the cold start problem for a new set of items and greatly increases the chance of achieving fair outcomes for all content creators. Importantly, it also maintains user satisfaction. We also test the intervention on the MovieLens dataset and investigate its effectiveness on platforms with interaction histories that are currently unfair for content creators. These experiments reveal that the intervention improves fairness when deployed at early stages of the platform, but the effect decreases as the strength of pre-existing bias increases. Altogether, we find that the ordered pairwise comparison approach might offer a plausible alternative for both new and existing platforms to implement.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、何百万人ものプロのコンテンツクリエーターに持続可能な収入を提供する。 彼らの収入は、そのビュー数やフォロワー数に大きく影響され、プラットフォームレコメンデーターシステム(RS)に依存している。 したがって、通常の仕事と同様に、RSが収益を公平に分配することが重要である。 例えば、先行研究は、高品質なコンテンツの作成者が最もフォロワーと収入を得られるかどうかを分析した。 結果は、これはありそうにないが、対象とする解決策を示唆しなかった。 本研究では,まず,合成データセットの理論的解析とシミュレーションを用いて,システムをよりよく理解し,創造者の公正性を高めるための介入を見つける。 順序付き比較を用いることで、新しいアイテムセットのコールドスタート問題を克服し、コンテンツクリエーター全員に公正な結果をもたらす可能性を大幅に高めることが判明した。 重要なのは、ユーザ満足度を維持することだ。 また、MovieLensデータセットへの介入を検証し、現在コンテンツクリエーターにとって不公平なインタラクション履歴を持つプラットフォーム上での有効性について検討する。 これらの実験により、介入はプラットフォームの初期段階に展開する際の公正性を改善するが、既存のバイアスの強度が増加するにつれて効果は低下することがわかった。 いずれにせよ、順序付けられたペア比較アプローチは、新しいプラットフォームと既存のプラットフォームの両方が実装可能な選択肢となるかもしれない。

関連論文リスト

• 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)
• 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)
• Interpolating Item and User Fairness in Multi-Sided Recommendations [13.635310806431198]
  我々は、新しいフェアレコメンデーションフレームワーク、問題(FAIR)を紹介します。 本稿では,リアルタイム学習とフェアレコメンデーションを同時に行う低レベルのアルゴリズム形式を提案する。 我々は,プラットフォーム収益を維持する上でのフレームワークと手法の有効性を実証するとともに,アイテムとユーザ双方に望ましい公平性を確保した。
  論文  参考訳（メタデータ） (2023-06-12T15:00:58Z)
• Online Learning in a Creator Economy [91.55437924091844]
  われわれはクリエーター経済を、ユーザー、プラットフォーム、コンテンツクリエーターの3人組ゲームとして研究している。 私たちは、リターンベースの契約とフィーチャーベースの契約の2つのファミリーを分析します。 滑らかな仮定の下では、リターンベースの契約とレコメンデーションポリシーの協調最適化が後悔をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T01:58:13Z)
• 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)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)

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。