論文の概要: The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems

• arxiv url: http://arxiv.org/abs/2602.16315v1
• Date: Wed, 18 Feb 2026 09:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.566453
• Title: The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems
• Title（参考訳）: 多様性パラドックスの再考: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的影響
• Authors: Gabriele Barlacchi, Margherita Lalli, Emanuele Ferragina, Fosca Giannotti, Dino Pedreschi, Luca Pappalardo,
• Abstract要約: 本稿では、暗黙的なフィードバック、定期的なリトレーニング、および確率論的レコメンデーションの採用をキャプチャするフィードバックループモデルを提案する。 本フレームワークをオンライン小売・音楽ストリーミングデータに適用し,フィードバックループのシステム的影響を解析する。 本結果は,静的評価を超えて,レコメンダシステムを設計する際のフィードバックループのダイナミクスを明示的に考慮することの必要性を強調した。
• 参考スコア（独自算出の注目度）: 1.6167794587866464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems shape individual choices through feedback loops in which user behavior and algorithmic recommendations coevolve over time. The systemic effects of these loops remain poorly understood, in part due to unrealistic assumptions in existing simulation studies. We propose a feedback-loop model that captures implicit feedback, periodic retraining, probabilistic adoption of recommendations, and heterogeneous recommender systems. We apply the framework on online retail and music streaming data and analyze systemic effects of the feedback loop. We find that increasing recommender adoption may lead to a progressive diversification of individual consumption, while collective demand is redistributed in model- and domain-dependent ways, often amplifying popularity concentration. Temporal analyses further reveal that apparent increases in individual diversity observed in static evaluations are illusory: when adoption is fixed and time unfolds, individual diversity consistently decreases across all models. Our results highlight the need to move beyond static evaluations and explicitly account for feedback-loop dynamics when designing recommender systems.
• Abstract（参考訳）: リコメンダシステムは、ユーザの振る舞いとアルゴリズムによる推奨が時間とともに共進化するフィードバックループを通じて、個々の選択を形作る。 これらのループの体系的影響は、部分的には既存のシミュレーション研究における非現実的な仮定のために、よく理解されていない。 本稿では,暗黙的なフィードバック,定期的なリトレーニング,レコメンデーションの確率的採用,異種推薦システムを提案する。 本フレームワークをオンライン小売・音楽ストリーミングデータに適用し,フィードバックループのシステム的影響を解析する。 推薦者の増加は個人消費の段階的な多様化につながる可能性があり、一方、集団需要はモデルやドメインに依存した方法で再分配され、しばしば人気度を増幅する。 時間的分析により、静的評価で観察される個々の多様性の明らかな増加は明らかである: 採用が固定され、時間的展開が進むと、個々の多様性はすべてのモデルで一貫して減少する。 本結果は,静的評価を超えて,レコメンダシステムを設計する際のフィードバックループのダイナミクスを明示的に考慮することの必要性を強調した。

関連論文リスト

• A Simulation Framework for Studying Systemic Effects of Feedback Loops in Recommender Systems [1.0533049092789448]
  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。
  論文  参考訳（メタデータ） (2025-10-16T16:31:01Z)
• Reinforcement Learning for Durable Algorithmic Recourse [49.54997446851335]
  提案手法は,提案手法を用いて,候補集団が推薦に応じてどのように適応するかを明示的にモデル化する。 また、環境の進化的ダイナミクスをキャプチャするRLベースのリコースアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2025-09-26T09:24:12Z)
• 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)
• 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)
• Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。 短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。 長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• Continually Improving Extractive QA via Human Feedback [59.49549491725224]
  本研究では,人間のフィードバックによる抽出質問応答(QA)システムの改善を継続的に進める。 多様な設定の下で何千ものユーザインタラクションを含む実験を行い、時間とともにフィードバックからの学習の理解を広げます。
  論文  参考訳（メタデータ） (2023-05-21T14:35:32Z)
• A Classification of Feedback Loops and Their Relation to Biases in Automated Decision-Making Systems [0.0]
  MLに基づく意思決定パイプラインにおけるフィードバックループのタイプについて検討する。 フィードバックループの存在は、MLバイアスを永続的に、強化し、あるいは軽減することができる。
  論文  参考訳（メタデータ） (2023-05-10T11:15:22Z)
• 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)
• Long-term Dynamics of Fairness Intervention in Connection Recommender Systems [5.048563042541915]
  本稿では,Webスケールのソーシャルネットワークが採用するシステムにパターン化されたコネクションレコメンデータシステムについて検討する。 全体としては公平に思われるが、共通露出とユーティリティパリティの介入は、長期的なバイアスの増幅を緩和することができない。
  論文  参考訳（メタデータ） (2022-03-30T16:27:48Z)
• 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。