論文の概要: Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation

• arxiv url: http://arxiv.org/abs/2511.14768v1
• Date: Wed, 01 Oct 2025 05:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.201474
• Title: Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
• Title（参考訳）: 適応的感情認識型ソーシャルメディアレコメンデーションのための因果的インフォームド強化学習
• Authors: Bhavika Jain, Robert Pitsko, Ananya Drishti, Mahfuza Farooque,
• Abstract要約: ソーシャルメディアレコメンデーションシステムは、ユーザの感情的な体験を形作る上で中心的な役割を果たす。 本稿では,ユーザの感情的軌跡の進化に基づいてコンテンツをパーソナライズする感情対応型ソーシャルメディアレコメンデーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media recommendation systems play a central role in shaping users' emotional experiences. However, most systems are optimized solely for engagement metrics, such as click rate, viewing time, or scrolling, without accounting for users' emotional states. Repeated exposure to emotionally charged content has been shown to negatively affect users' emotional well-being over time. We propose an Emotion-aware Social Media Recommendation (ESMR) framework that personalizes content based on users' evolving emotional trajectories. ESMR integrates a Transformer-based emotion predictor with a hybrid recommendation policy: a LightGBM model for engagement during stable periods and a reinforcement learning agent with causally informed rewards when negative emotional states persist. Through behaviorally grounded evaluation over 30-day interaction traces, ESMR demonstrates improved emotional recovery, reduced volatility, and strong engagement retention. ESMR offers a path toward emotionally aware recommendations without compromising engagement performance.
• Abstract（参考訳）: ソーシャルメディアレコメンデーションシステムは、ユーザの感情的な体験を形作る上で中心的な役割を果たす。 しかし、ほとんどのシステムは、ユーザの感情状態を考慮せずに、クリック率、視聴時間、スクロールなどのエンゲージメント指標にのみ最適化されている。 感情的なコンテンツへの繰り返しの露出は、時間の経過とともにユーザーの感情的幸福に悪影響を及ぼすことが示されている。 本稿では,ユーザの感情的軌跡の進化に基づいてコンテンツをパーソナライズする感情認識型ソーシャルメディアレコメンデーション(ESMR)フレームワークを提案する。 ESMRは、トランスフォーマーベースの感情予測器とハイブリッドレコメンデーションポリシーを統合し、安定した期間のエンゲージメントのためのLightGBMモデルと、ネガティブな感情状態が持続するときに因果的に報奨を与える強化学習エージェントである。 30日間のインタラクショントレースに対する行動的基盤による評価を通じて、ESMRは感情回復の改善、ボラティリティの低減、エンゲージメントの維持を実証する。 ESMRは、エンゲージメントパフォーマンスを損なうことなく、感情的に認識されたレコメンデーションへの道を提供する。

関連論文リスト

• Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models [6.810484095299127]
  感情支援は人間とAIの相互作用における中核的な能力であり、心理学的カウンセリング、ロールプレイ、コンパニオンシップなどの応用がある。 大規模言語モデル(LLM)の既存の評価は、しばしば短く静的な対話に依存し、感情的サポートの動的で長期的な性質を捉えない。 本フレームワークは,328の情緒的文脈と1,152の外乱イベントからなる大規模ベンチマークを構築し,進化する対話シナリオ下での現実的な情緒的変化をシミュレートする。
  論文  参考訳（メタデータ） (2025-11-12T05:47:28Z)
• Emotion-Coherent Reasoning for Multimodal LLMs via Emotional Rationale Verifier [53.55996102181836]
  本稿では,感情関係検証器 (ERV) と説明リワードを提案する。 本手法は,対象感情と明確に一致した推論をモデルに導出する。 我々のアプローチは、説明と予測の整合性を高めるだけでなく、MLLMが感情的に一貫性があり、信頼できる対話を実現するのにも役立ちます。
  論文  参考訳（メタデータ） (2025-10-27T16:40:17Z)
• YouTube Recommendations Reinforce Negative Emotions: Auditing Algorithmic Bias with Emotionally-Agentic Sock Puppets [0.624709220163167]
  本研究では、感情的嗜好を認識し、強化するYouTubeの能力について検討する。 以上の結果から,YouTubeは怒りや悲しみなどの否定的な感情を増幅し,レコメンデーションの頻度と優位性を高めていることが明らかとなった。 発見は、アルゴリズムがユーザーのバイアスを増幅し、感情的なフィルターバブルに寄与し、ユーザーの幸福と社会的影響に対する懸念を高めることを示唆している。
  論文  参考訳（メタデータ） (2025-01-25T03:04:53Z)
• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• Empathic Responding for Digital Interpersonal Emotion Regulation via Content Recommendation [0.39321523855648755]
  本稿では、コンテンツレコメンデーションを通じて、オンラインプラットフォーム上での対人感情規制を強化するアプローチを提案する。 提案する推薦システムは,システム開始とユーザ開始の感情制御を融合させることが期待される。 この研究はReddit上で1年間に37.5万件のユーザー投稿と対話を収集し、CMAB(Contextual Multi-Armed Bandits)ベースのレコメンデーションシステムを設計した。
  論文  参考訳（メタデータ） (2024-08-05T10:27:28Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• The Application of Affective Measures in Text-based Emotion Aware Recommender Systems [1.1942757095667953]
  本稿では,ジェネレーティブ・プレトレーニング・トランスフォーマ技術を用いて,主観的パスの感情的特徴を検出する手法を提案する。 本稿では,EARSサービスプロバイダが保持や保管を控える一方で,ユーザの感情プロファイルデータを保護するための責任アプローチの分離を提唱する。
  論文  参考訳（メタデータ） (2023-05-04T13:26:49Z)
• MISC: A MIxed Strategy-Aware Model Integrating COMET for Emotional Support Conversation [64.37111498077866]
  本稿では,感情支援会話のための新しいモデルを提案する。 ユーザの微妙な感情状態を推測し、その後、戦略の混合を使って巧みに応答する。 評価実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-25T10:32:04Z)

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。