論文の概要: Compass: Continuously Aligning Social Media Feeds via In-Situ Reflections

• arxiv url: http://arxiv.org/abs/2608.04274v1
• Date: Tue, 04 Aug 2026 23:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.659843
• Title: Compass: Continuously Aligning Social Media Feeds via In-Situ Reflections
• Title（参考訳）: Compass: ソーシャルメディアフィードをその場でのリフレクションで継続的に調整する
• Authors: Aadit Barua, Leijie Wang, Amy X. Zhang,
• Abstract要約: ユーザのフィードとリフレクティブな好みを一致させるシステムであるCompassを提案する。 日常のブラウジング中に連続的なリフレクションを可能にするために、Compassは軽量な通知を通じてその場でのリフレクションをサーフェスする。 その結果、コンパスは、より反射的で目的のあるフィード消費、反復的嗜好調整、より強いフィードアライメントを促進した。
• 参考スコア（独自算出の注目度）: 12.409676076455595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media recommendation feeds often optimize for users' immediate impulses rather than preferences they would hold after deeper reflection. Some systems address this misalignment by incorporating users' explicit preferences via a configuration page or in-feed controls instead of just behavioral signals. However, users typically have evolving preferences, and their stated preferences and behavior naturally diverge, necessitating continuous reflection and feed realignment. But existing strategies require the user to take initiative and are often effortful; as a result, in practice they are rarely invoked. We present Compass, a system that aligns a user's feed with their reflective preferences by helping users reflect on and articulate their preferences given their behavior. To enable continuous reflection during everyday browsing, Compass surfaces in-situ reflections via lightweight notifications, while feed alignment is achieved by periodically simulating behavioral signals and directly manipulating feed content. We embedded Compass within YouTube Shorts and compared it against a baseline without continuous support through a 10-day field study (N=15). We found that Compass promoted more reflective and purposeful feed consumption, iterative preference adjustment, and stronger feed alignment, without sacrificing the casual nature of feed browsing.
• Abstract（参考訳）: ソーシャルメディアレコメンデーションフィードは、深いリフレクションの後に保持する好みよりも、ユーザの即時インパルスを最適化することが多い。 一部のシステムは、行動信号だけでなく、設定ページやフィード内制御を通じてユーザーの明示的な嗜好を取り入れることで、この不一致に対処する。 しかし、ユーザーは通常、進化する好みを持ち、その好みや行動は自然にバラバラになり、継続的なリフレクションとフィードのリファインメントを必要とします。 しかし、既存の戦略では、ユーザがイニシアティブを取る必要があり、しばしば努力を要する。 本研究では,ユーザの嗜好を反映し,行動に配慮して表現し,ユーザの嗜好を反映させるシステムであるCompassを提案する。 日常の閲覧中に連続的な反射を可能にするために、コンパスは、行動信号を周期的にシミュレートし、フィードコンテンツを直接操作してフィードアライメントを実現するとともに、軽量な通知を介してその場での反射を表面化する。 YouTube ShortsにCompassを組み込んで10日間のフィールドスタディ(N=15。 その結果、コンパスはフィードブラウジングのカジュアルな性質を犠牲にすることなく、よりリフレクティブで目的のあるフィード消費、反復的嗜好調整、より強いフィードアライメントを促進した。

関連論文リスト

• Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback [46.88440233575785]
  我々は,次世代のLarge Language Models(LLM)ベースのRecSysにおいて,明示的な文脈フィードバックの優先順位付けを提唱する。 よりパーソナライズされ、透明で、説明可能なRecSysオンラインプラットフォームを促進することを目指している。
  論文  参考訳（メタデータ） (2026-05-27T22:10:33Z)
• Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation [67.23759365022279]
  パーソナライズされた画像生成のための新しい嗜好調整フレームワークであるPremierを提案する。 Premierは、各ユーザの好みを学習可能な埋め込みとして表現し、テキストプロンプトに埋め込まれたユーザを融合させる好みアダプタを導入する。 実験により、Premierは、同じ履歴長で以前の方法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-21T09:19:12Z)
• MTRec: Learning to Align with User Preferences via Mental Reward Models [60.321038000806176]
  我々は、実際のユーザの好みに合わせてデザインされたシーケンシャルなレコメンデーションフレームワークであるMTRecを提案する。 ユーザの満足度を定量化するためのメンタル報酬モデルを導入し,それを学習するための分散逆強化学習手法を提案する。 実験により、MTRecは様々なレコメンデーションモデルに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-09-26T18:10:48Z)
• Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
  リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。 ユーザの好みや行動パターンを3つのモジュールでキャプチャする。 実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-28T06:39:01Z)
• Async Learned User Embeddings for Ads Delivery Optimization [24.104745716074262]
  推薦システムでは、高品質なユーザ埋め込みは微妙な好みを捉え、正確な類似性計算を可能にし、時間とともに変化する好みに適応して関連性を維持することができる。 本稿では,Transformerのような大規模機能学習モジュールを用いて,シーケンスベースのマルチモーダルユーザアクティビティから,毎日数十億のユーザに対する高忠実度ユーザ埋め込みを非同期に学習することを提案する。
  論文  参考訳（メタデータ） (2024-06-09T19:35:20Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• Comparison-based Conversational Recommender System with Relative Bandit Feedback [15.680698037463488]
  比較に基づく会話推薦システムを提案する。 我々はRelativeConUCBと呼ばれる新しい帯域幅アルゴリズムを提案する。 合成および実世界の両方のデータセットに対する実験により,提案手法の利点が検証された。
  論文  参考訳（メタデータ） (2022-08-21T08:05:46Z)
• ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models [26.11434743591804]
  説明に対するユーザフィードバックをユーザ好みのペアワイズ学習に活用する,ループ内人間フレームワーク ELIXIR を考案した。 elixirは、レコメンデーションと説明のペアに対するフィードバックを活用して、ユーザ固有の潜在選好ベクトルを学習する。 このフレームワークは、ランダムウォークとリスタートによる一般化グラフレコメンデーションを用いてインスタンス化される。
  論文  参考訳（メタデータ） (2021-02-15T13:43:49Z)

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。