論文の概要: Designing Recommendation Exposure and Favorite Lists: A Field Experiment in a Spot-Work Platform

• arxiv url: http://arxiv.org/abs/2606.17397v1
• Date: Tue, 16 Jun 2026 01:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.196042
• Title: Designing Recommendation Exposure and Favorite Lists: A Field Experiment in a Spot-Work Platform
• Title（参考訳）: レコメンデーション・エクスポージャーとお気に入りリストの設計:スポットワークプラットフォームにおけるフィールド実験
• Authors: Kazuki Sekiya, Suguru Otani, Yuki Komatsu, Shunsuke Ozeki, Shunya Noda,
• Abstract要約: お気に入りリスト管理のための露出制御機構を設計する。 しきい値の許容度制御(TEC)は完全に並列化可能であり、大規模デジタルプラットフォームに適していることを示す。 都道府県レベルのランダム化フィールド実験は、アクティブテンプレート当たりの実際の一致と露出を増加させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How should recommender systems be designed when recommendations shape access to scarce, short-lived opportunities? We study this question in a production setting: Timee, Japan's largest platform for spot work, where workers favorite job templates and receive notifications when firms post shifts from those templates. Maximizing predicted favoriting can generate misdirected concentration: recommendations accumulate on popular templates that create few viable job openings, while templates with unmet labor demand receive too little exposure. We design exposure-control mechanisms for favorite-list management, reallocating template exposure based on posting activity and unfilled capacity. The proposed recommender, thresholded eligibility control (TEC), is fully parallelizable and suitable for large-scale digital platforms. In simulations calibrated to Timee data, TEC raises the per-round job-finding rate from 57.6\% to 70.0\%. A prefecture-level randomized field experiment increases realized matches and exposure per active template, reduces the share of low-exposure templates, and improves impression-level favoriting and downstream matching.
• Abstract（参考訳）: 少ない、短命の機会に、レコメンデーションを形作るとき、レコメンデーションシステムはどのように設計されるべきなのか? 日本最大のスポットワークプラットフォームであるTimeeでは、従業員が仕事のテンプレートを好み、企業がテンプレートからシフトした場合に通知を受け取る。 予測された選好の最大化は、誤った方向付けの集中を発生させる可能性がある: 推奨は、実行可能な仕事のオープニングをほとんど生成しない人気のあるテンプレートに蓄積される一方、未使用の労働需要のあるテンプレートは、露出が少なすぎる。 提案手法は,投稿活動と未充足容量に基づくテンプレート露光を再現し,お気に入りリスト管理のための露光制御機構を設計する。 提案するレコメンデータであるしきい値適合度制御(TEC)は完全に並列化可能で,大規模ディジタルプラットフォームに適している。 タイムデータに校正されたシミュレーションでは、TECは1ラウンド当たりの求職率を57.6\%から70.0\%に引き上げている。 都道府県レベルのランダム化フィールド実験は, 有効テンプレート当たりの一致と露出を増大させ, 低露光テンプレートのシェアを減少させ, 印象レベルと下流のマッチングを改善する。

関連論文リスト

• Fake it till You Make it: Reward Modeling as Discriminative Prediction [49.31309674007382]
  GAN-RMは、手動の嗜好アノテーションと明示的な品質次元工学を排除した効率的な報酬モデリングフレームワークである。 提案手法は,少数の対象サンプルを識別し,報酬モデルを訓練する。 実験では、GAN-RMが複数の主要なアプリケーションにまたがって有効であることを実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:59:40Z)
• Investigating the Scaling Effect of Instruction Templates for Training Multimodal Language Model [41.95138752509089]
  マルチモーダル言語モデル(MLM)のトレーニングアプローチは、命令テンプレートの影響を見落としている。 本研究では,15K以上のユニークな命令テンプレートを生成可能なプログラム型命令テンプレートを提案する。
  論文  参考訳（メタデータ） (2024-12-11T11:39:42Z)
• LiRank: Industrial Large Scale Ranking Models at LinkedIn [21.24938719541942]
  LiRankはLinkedInの大規模ランキングフレームワークである。 我々はResidual DCNを含むいくつかのモデリングの改善を公表した。 本稿では、フィードランキング、求人推薦、広告クリックスルー率(CTR)予測といった大規模ユースケースに対するデプロイメント設定の詳細について述べる。
  論文  参考訳（メタデータ） (2024-02-10T01:47:10Z)
• Generative Job Recommendations with Large Language Model [32.99532175346021]
  GIRL(GeneratIve job Recommendation based on Large Language model)は、LLM(Large Language Models)分野の最近の進歩に触発された新しいアプローチである。 我々は、求職者のCV(Curriculum Vitae)に基づいて、適切なジョブ記述(JD)を作成する際に、LLMベースのジェネレータを指導するために、スーパーバイザードファインタニング(SFT)戦略を採用する。 特に、GIRLは求職者中心の生成モデルとして機能し、候補セットを必要とせずに求職提案を提供する。
  論文  参考訳（メタデータ） (2023-07-05T09:58:08Z)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• An End-to-End Transformer Model for Crowd Localization [64.15335535775883]
  頭の位置を予測するクラウドローカライゼーションは、単にカウントするよりも実用的でハイレベルなタスクである。 既存の方法は擬似有界ボックスや事前設計されたローカライゼーションマップを使用し、複雑な後処理に頼って先頭位置を得る。 本稿では,レグレッションベースパラダイムの課題を解決するエレガントでエンドツーエンドなクラウドローカライゼーションTRansformerを提案する。
  論文  参考訳（メタデータ） (2022-02-26T05:21:30Z)
• Template-free Prompt Tuning for Few-shot NER [46.59447116255979]
  テンプレートを使わずにNERタスクをLM問題として再構成するよりエレガントな手法を提案する。 具体的には,事前学習モデルの単語予測パラダイムを維持しながらテンプレート構築プロセスを捨てる。 実験により, バート・タガー法およびテンプレートベース法に対して, 数ショット設定で提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-09-28T07:19:24Z)

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。