Fugu-MT 論文翻訳(概要): Recommendation Quality and the Concentration of Consumption: Experimental Evidence from Netflix

論文の概要: Recommendation Quality and the Concentration of Consumption: Experimental Evidence from Netflix

arxiv url: http://arxiv.org/abs/2608.21274v1
Date: Fri, 21 Aug 2026 16:30:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.637576
Title: Recommendation Quality and the Concentration of Consumption: Experimental Evidence from Netflix
Title（参考訳）: 推奨品質と消費の集中:Netflixによる実験的証拠
Abstract要約: 我々はNetflixのレコメンデーションシステムで850万人のユーザを対象に、レコメンデーション技術の改善が消費に与える影響を測定する実験を行った。以上の結果から,リコメンダシステムは消費を偏化させ,中央を犠牲にして頭と尾の消費シェアを増大させるという概念に挑戦する。
参考スコア（独自算出の注目度）: 28.636521454792245
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study an experiment with 8.5 million users on Netflix's recommender system to measure how improvements in recommendation technology affect the set of products that get consumed. Improvements increase total consumption and users' reliance on recommendations while diffusing recommendations and consumption away from the most popular titles (``superstars") toward a larger number of moderately popular titles (``middle-tail"), with minimal effects on the most niche titles (``long-tail"). Our results challenge the notion that recommender systems polarize consumption -- raising the consumption shares of the head and tail at the expense of the middle -- and suggest that the returns to investing in middle-tail products grow as algorithms improve and platforms scale.
Abstract（参考訳）: Netflixのレコメンデーションシステムで850万人のユーザを対象に、レコメンデーション技術の改善が消費される製品のセットに与える影響を測定する実験を行った。改善は、最も人気のあるタイトル(`superstars)から多くの適度な人気タイトル(`middle-tail)へ、最もニッチなタイトル(`long-tail)に最小限の影響を与えながら、総消費とユーザーのレコメンデーションへの依存を高める。我々の結果は、リコメンダシステムが消費を二分するという考えに挑戦し、アルゴリズムの改善やプラットフォーム規模の拡大に伴い、ミドルテール製品への投資に対するリターンが増加することを示唆している。

関連論文リスト

Agentic Feedback Loop Modeling Improves Recommendation and User Simulation [55.857164472712455]
本稿では,リコメンデーションエージェントとユーザエージェントの協調を支援するために,フィードバックループプロセスを強調する新しいフレームワークを提案する。この反復的なプロセスは、両方のエージェントがユーザの振る舞いを推測する能力を高め、より効果的なアイテムレコメンデーションとより正確なユーザーシミュレーションを可能にします。
論文参考訳（メタデータ） (2024-10-26T00:51:39Z)
The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems [0.0]
本稿では,未経験項目に対するユーザの信念を収集する手法を提案する。提案手法はMovieLensプラットフォーム上で実装され,ユーザ評価,信念,監視されたレコメンデーションを組み合わせた豊富なデータセットが得られた。
論文参考訳（メタデータ） (2024-05-17T19:06:06Z)
A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
論文参考訳（メタデータ） (2023-08-02T12:58:11Z)
Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文参考訳（メタデータ） (2023-05-18T15:37:38Z)
The Informational Role of Online Recommendations: Evidence from a Field Experiment [0.0]
映画推薦プラットフォーム上でフィールド実験を行い、オンラインレコメンデーションが消費選択にどう影響するかを調査する。本実験は, 内装設計を用いて, 消費に対する勧告の因果効果を測定し, 2つの経済メカニズムの相対的重要性を分解する。
論文参考訳（メタデータ） (2022-11-25T16:31:10Z)
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)
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)
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)
User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
論文参考訳（メタデータ） (2021-03-10T22:12:51Z)
The Engagement-Diversity Connection: Evidence from a Field Experiment on Spotify [7.016697571050686]
Spotifyにおけるランダムフィールド実験の結果を報告する。平均してポッドキャストのストリーム数は28.90%増加した。しかし, ポッドキャストストリームの平均個体レベルの多様性も11.51%減少した。
論文参考訳（メタデータ） (2020-03-17T16:49:59Z)

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。