論文の概要: Modeling User Exploration Saturation: When Recommender Systems Should Stop Pushing Novelty

• arxiv url: http://arxiv.org/abs/2604.16419v1
• Date: Thu, 02 Apr 2026 19:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.980312
• Title: Modeling User Exploration Saturation: When Recommender Systems Should Stop Pushing Novelty
• Title（参考訳）: ユーザ探索飽和のモデリング:レコメンダシステムが新規性を停止すべき時
• Authors: Enock O. Ayiku, Evelyn Osei, Emebo Onyeka,
• Abstract要約: 本研究では, 公正・新規な推薦方略から生じるユーザ依存現象としての探索飽和について検討する。 その結果, 公正による探索は, 利用者間でのモノトニックリターンの減少または非モノトニックリターンを示すことが示された。 これらの結果から,レコメンデーションシステムは,関連性だけでなく,個別ユーザに適用される公正な探索量にも適応すべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness-aware recommender systems often mitigate bias by increasing exposure to under-represented or long-tail content, commonly through mechanisms that promote novelty and diversity. In practice, the strength of such interventions is typically controlled using global hyperparameters, fixed regularization weights, heuristic caps, or offline tuning strategies. These approaches implicitly assume that a single level of exploration is appropriate across users, contexts, and stages of interaction. In this work, we study exploration saturation as a user-dependent phenomenon arising from fairness- and novelty-driven recommendation strategies. We define exploration saturation as the point at which further increases in exploration no longer improve user utility and may instead reduce engagement or perceived relevance. Rather than proposing a new fairness-aware algorithm or optimizing a specific objective, we empirically analyze how increasing exploration affects users across varied recommendation models. Through longitudinal experiments using MovieLens-1M and Last.fm datasets, our results indicate that fairness-induced exploration exhibits diminishing or non-monotonic returns and varies substantially across users. In particular, users with limited interaction histories tend to reach saturation earlier, suggesting that uniform fairness or novelty pressure can disproportionately disadvantage certain users. These findings reveal a trade-off between fairness and user experience, suggesting that recommendation systems should adapt not only to relevance but also to the amount of fairness-driven exploration applied to individual users.
• Abstract（参考訳）: フェアネス・アウェア・レコメンダ・システムは、通常、新鮮さと多様性を促進するメカニズムを通じて、低表現または長テールコンテンツへの露出を増やすことでバイアスを緩和する。 実際には、このような介入の強さは、大域的ハイパーパラメータ、固定正則化重み、ヒューリスティックキャップ、オフラインチューニング戦略によって制御される。 これらのアプローチは、ユーザ、コンテキスト、インタラクションの段階にわたって、単一のレベルの探索が適切であると暗黙的に仮定する。 本研究では,公正さと新規性による推薦戦略から生じるユーザ依存現象としての探索飽和について検討する。 我々は、探索飽和度を、探索のさらなる増加がユーザの有用性を向上せず、その代わりにエンゲージメントを減らしたり、関連性を認識したりするポイントとして定義する。 新たなフェアネス認識アルゴリズムの提案や,特定の目的の最適化よりも,探索の増加がユーザに与える影響を,さまざまなレコメンデーションモデルで実証的に分析する。 MovieLens-1MとLast.fmのデータセットを用いた縦断実験により, フェアネスによる探索は, モノトニックリターンの減少や非モノトニックリターンを示し, ユーザ間で大きく異なることを示す。 特に、インタラクション履歴が限られているユーザーは、より早く飽和する傾向にあり、均一な公平さや新規性圧力が特定のユーザーを不当に不利にする可能性があることを示唆している。 これらの結果は、公正性とユーザエクスペリエンスのトレードオフを明らかにし、レコメンデーションシステムは、関連性だけでなく、個々のユーザに適用される公正駆動探索の量にも適応すべきであることを示唆している。

関連論文リスト

• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• 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)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• UOEP: User-Oriented Exploration Policy for Enhancing Long-Term User Experiences in Recommender Systems [7.635117537731915]
  強化学習(Reinforcement Learning, RL)は,レコメンデーションシステムにおけるユーザの長期体験向上の要因となっている。 現代のレコメンデータシステムは、何千万もの項目で異なるユーザ行動パターンを示しており、探索の難しさを高めている。 ユーザグループ間のきめ細かい探索を容易にする新しいアプローチであるユーザ指向探索ポリシー(UOEP)を提案する。
  論文  参考訳（メタデータ） (2024-01-17T08:01:18Z)
• 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)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)

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。