論文の概要: The Value of Personalized Recommendations: Evidence from Netflix

• arxiv url: http://arxiv.org/abs/2511.07280v2
• Date: Wed, 12 Nov 2025 01:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 16:10:53.056371
• Title: The Value of Personalized Recommendations: Evidence from Netflix
• Title（参考訳）: パーソナライズされたレコメンデーションの価値:Netflixのエビデンス
• Authors: Kevin Zielnicki, Guy Aridor, Aurélien Bibaut, Allen Tran, Winston Chou, Nathan Kallus,
• Abstract要約: 我々は、レコメンデーションによって誘導されるユーティリティ、低ランクの不均一性、フレキシブルな状態依存を組み込む個別選択モデルを構築します。 推薦アルゴリズムが導入した慣用的変動を利用して、これらの成分を識別し、別々に評価する。 その結果,現行の推薦システムを行列係数化や人気度に基づくアルゴリズムに置き換えることで,エンゲージメントの4%と12%の削減が期待できることがわかった。
• 参考スコア（独自算出の注目度）: 30.61348115324346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized recommendation systems shape much of user choice online, yet their targeted nature makes separating out the value of recommendation and the underlying goods challenging. We build a discrete choice model that embeds recommendation-induced utility, low-rank heterogeneity, and flexible state dependence and apply the model to viewership data at Netflix. We exploit idiosyncratic variation introduced by the recommendation algorithm to identify and separately value these components as well as to recover model-free diversion ratios that we can use to validate our structural model. We use the model to evaluate counterfactuals that quantify the incremental engagement generated by personalized recommendations. First, we show that replacing the current recommender system with a matrix factorization or popularity-based algorithm would lead to 4% and 12% reduction in engagement, respectively, and decreased consumption diversity. Second, most of the consumption increase from recommendations comes from effective targeting, not mechanical exposure, with the largest gains for mid-popularity goods (as opposed to broadly appealing or very niche goods).
• Abstract（参考訳）: パーソナライズされたレコメンデーションシステムは、オンラインで多くのユーザー選択を形作るが、そのターゲットとなる性質は、レコメンデーションの価値と根底にある商品の分離を困難にしている。 我々は、レコメンデーションによるユーティリティ、低ランクの不均一性、フレキシブルな状態依存を組み込んだ個別選択モデルを構築し、Netflixのビューアシップデータに適用する。 我々は,提案アルゴリズムが導入した慣用的変動を利用して,これらの成分を特定し,個別に評価し,構造モデルの検証に使用可能なモデルフリーな変換比を復元する。 このモデルを用いて、パーソナライズされたレコメンデーションによって生成されるインクリメンタルエンゲージメントを定量的に評価する。 まず,現行のリコメンデータシステムを行列因数分解あるいは人気に基づくアルゴリズムに置き換えると,それぞれ4%と12%のエンゲージメントが減少し,消費の多様性が低下することを示した。 第二に、リコメンデーションによる消費の増加のほとんどは、機械的露出ではなく効果的なターゲティングによるものであり、中人気商品(広くアピールする商品や非常にニッチな商品とは対照的に)の最大の利益がある。

関連論文リスト

• Recommendation and Temptation [3.734925590025741]
  エンリッチメントと誘惑の緊張を明示的にモデル化する新しいレコメンデーション設計を提案する。 私たちの仕事は、よりニュアンスでユーザ中心の推奨設計へのパラダイムシフトを表しています。
  論文  参考訳（メタデータ） (2024-12-13T22:44:22Z)
• 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)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• CAViaR: Context Aware Video Recommendations [0.0]
  本稿では,低多様性が個々の項目に対するユーザのエンゲージメントに与える影響をモデル化し,多様性を導入する手法を提案する。 提案手法は,既存の大規模レコメンデータシステムに簡単にプラグインできるように設計されている。
  論文  参考訳（メタデータ） (2023-04-17T16:56:23Z)
• Recommendation with User Active Disclosing Willingness [20.306413327597603]
  本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。 我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-10-25T04:43:40Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Debiased Recommendation with Neural Stratification [19.841871819722016]
  我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。 提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-08-15T15:45:35Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• 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。