論文の概要: Multistakeholder Impacts of Profile Portability in a Recommender Ecosystem

• arxiv url: http://arxiv.org/abs/2604.21750v1
• Date: Thu, 23 Apr 2026 14:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.66714
• Title: Multistakeholder Impacts of Profile Portability in a Recommender Ecosystem
• Title（参考訳）: マルチステークホルダーがレコメンダ生態系におけるプロファイルポータビリティに与える影響
• Authors: Anas Buhayh, Elizabeth McKinnie, Clement Canel, Robin Burke,
• Abstract要約: 本稿では,レコメンデーションアルゴリズムをプラットフォームから切り離すアルゴリズム的多元性(ガバナンス文献では「ミドルウェア」とも呼ばれる)の意義を考察する。 本稿では,データポータビリティのシナリオが,推薦アルゴリズムの異なるユーザユーティリティに与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.7711381100220001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing outcomes for multiple stakeholders in recommender systems has historically focused on algorithmic interventions, such as developing multi-objective models or re-ranking results from existing algorithms. However, structural changes to the recommendation ecosystem itself remain understudied. This paper explores the implications of algorithmic pluralism (also known as "middleware" in the governance literature), in which recommendation algorithms are decoupled from platforms, enabling users to select their preferred algorithm. Prior simulation work demonstrates that algorithmic choice benefits niche consumers and providers. Yet this approach raises critical questions about user modeling in the context of data portability: when users switch algorithms, what happens to their data? Noting that multiple data portability regulations have emerged to strengthen user data ownership and control. We examine how such policies affect user models and stakeholders' outcomes in recommendation setting. Our findings reveal that data portability scenarios produce varying effects on user utility across different recommendation algorithms. We highlight key policy considerations and implications for designing equitable recommendation ecosystems.
• Abstract（参考訳）: 推薦システムにおける複数の利害関係者の成果の最適化は、歴史的に、多目的モデルの開発や既存のアルゴリズムによる結果の再評価など、アルゴリズムの介入に重点を置いてきた。 しかし、レコメンデーションエコシステム自体の構造的変化はまだ検討されていない。 本稿では,レコメンデーションアルゴリズムがプラットフォームから切り離され,ユーザが好みのアルゴリズムを選択することができるような,アルゴリズム的多元性(ガバナンス文献では「ミドルウェア」とも呼ばれる)の意味について考察する。 以前のシミュレーション作業は、アルゴリズムの選択がニッチな消費者とプロバイダーに利益をもたらすことを示した。 しかしこのアプローチは、データのポータビリティという文脈で、ユーザモデリングに関する重要な疑問を提起する。 ユーザデータのオーナシップとコントロールを強化するために、複数のデータポータビリティ規制が登場している。 このようなポリシーがレコメンデーション設定におけるユーザモデルや利害関係者の成果にどのように影響するかを検討する。 以上の結果から,データポータビリティのシナリオは,推薦アルゴリズムの異なるユーザ利用に様々な影響を与えることが明らかとなった。 我々は、公平なレコメンデーションエコシステムを設計するための重要な政策考察と意味を強調します。

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)
• Fairness for niche users and providers: algorithmic choice and profile portability [0.7711381100220001]
  アルゴリズム的多元性がレコメンデーションエコシステムに与える影響について検討する。 これまでの研究によると、ニッチな消費者や(特に)ニッチなプロバイダーはアルゴリズムによる選択の恩恵を受けている。 ユーザプロファイルの扱いに関する異なるポリシーが、消費者や提供者にとって公正な結果とどのように相互作用するかを考察する。
  論文  参考訳（メタデータ） (2025-08-28T07:38:59Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• When Online Algorithms Influence the Environment: A Dynamical Systems Analysis of the Unintended Consequences [5.4209739979186295]
  オンラインアルゴリズムが学習環境に与える影響を分析する。 提案アルゴリズムは,このミスマッチの存在下で個体群の嗜好を学習できる場合,利用者の嗜好に類似性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-11-21T06:47:53Z)
• 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)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• 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)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• A Comparative Analysis of Bias Amplification in Graph Neural Network Approaches for Recommender Systems [0.0]
  バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。 本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
  論文  参考訳（メタデータ） (2023-01-18T16:29:05Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。