論文の概要: Beyond Raw Engagement: A Counterfactual Observability Framework for Recommender Systems at Netflix

• arxiv url: http://arxiv.org/abs/2609.22747v1
• Date: Sat, 19 Sep 2026 04:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.898177
• Title: Beyond Raw Engagement: A Counterfactual Observability Framework for Recommender Systems at Netflix
• Title（参考訳）: Raw Engagementを超えて - Netflixのレコメンダシステムのための対実的可観測性フレームワーク
• Abstract要約: このフレームワークは、リコメンデータ・システム・オブザーバビリティを反実測度問題として扱う。 コンテンツクリエーターとモデル開発者のために、ステークホルダー中心の可観測性原則を3つ明確にします。 本稿では, バイアス低減, 相対性率, 漸進性に関する測定手法を提案する。
• 参考スコア（独自算出の注目度）: 0.039998518782208774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the performance of large-scale recommender systems remains an underexplored challenge, especially for content creators and model developers. The raw engagement signals available to them, such as views and clicks, conflate content quality, model behavior, presentation bias, and audience reach, making it hard to attribute outcomes to the right cause. In this work, we present a general evaluation framework that enhances observability across multiple recommender systems at Netflix and demonstrate its effectiveness through several production deployments. The framework treats recommender-system observability as a counterfactual measurement problem: estimating what the recommender would have done, and what engagement would have followed, in the absence of a specific content item or model decision. We articulate three stakeholder-centered observability principles for content creators and model developers, and propose measurement methodologies covering bias reduction, relativity, and incrementality, applicable to both single-stage and cascading recommender systems and serving both audiences from a single measurement foundation.
• Abstract（参考訳）: 大規模なレコメンデーションシステムのパフォーマンスを理解することは、特にコンテンツクリエーターやモデル開発者にとっては、未解決の課題である。 ビューやクリック、コンテンツ品質の強調、モデルの振る舞い、プレゼンテーションバイアス、オーディエンスリーチなどの生のエンゲージメントシグナルは、結果が正しい原因であると判断することが困難になります。 本稿では,Netflixの複数のレコメンデータシステムにおける可観測性を高め,その有効性を示す汎用評価フレームワークを提案する。 このフレームワークは、推奨システムオブザーバビリティを、カウンターファクトな測定問題として扱います。 コンテンツクリエーターとモデル開発者を対象とした3つのステークホルダー中心オブザーバビリティ原則を具体化し、単一ステージおよびカスケードレコメンダシステムに適用可能なバイアス低減、相対性、漸進性を含む測定手法を提案し、1つの測定基盤から両方の観客にサービスを提供する。

関連論文リスト

• Why didn't more people see it? Recommendation: Transparency for providers [0.9467877750964591]
  本稿では,システムレベルでのアイテム露出を説明するための代理モデリング手法を提案する。 それぞれの特徴の寄与を定量化することにより、推奨モデルの決定を導く要因を説明する。 その結果,サロゲートモデルでは,高い忠実度を有する3人の推薦者のグローバルな行動が捉えられることがわかった。
  論文  参考訳（メタデータ） (2026-08-21T21:21:46Z)
• NEXT: Reasoning-Driven Video Recommendation via a Vision-Language Model [8.612187834047418]
  Next-interest Exploration Transformerは推論駆動のビデオレコメンデーションフレームワークである。 Next-8Bは、3段階のレシピを持つ目的訓練された8B視覚言語モデルである。 次に、+0.53%の視聴時間と+0.51%の異なるビデオ露出を含む統計的に有意な生産増加を示す。
  論文  参考訳（メタデータ） (2026-06-27T06:51:58Z)
• 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)
• A Survey on Fairness-aware Recommender Systems [59.23208133653637]
  本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。 次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-01T07:08:22Z)
• Long-term Dynamics of Fairness Intervention in Connection Recommender Systems [5.048563042541915]
  本稿では,Webスケールのソーシャルネットワークが採用するシステムにパターン化されたコネクションレコメンデータシステムについて検討する。 全体としては公平に思われるが、共通露出とユーティリティパリティの介入は、長期的なバイアスの増幅を緩和することができない。
  論文  参考訳（メタデータ） (2022-03-30T16:27:48Z)
• 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)
• From Intrinsic to Counterfactual: On the Explainability of Contextualized Recommender Systems [43.93801836660617]
  本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。 モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。 我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
  論文  参考訳（メタデータ） (2021-10-28T01:54:04Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• 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)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。