論文の概要: Toward User-Centered Agentic Recommendation: When Does Platform Competition Benefit Users?

• arxiv url: http://arxiv.org/abs/2611.04203v1
• Date: Tue, 03 Nov 2026 02:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 01:12:57.203866
• Title: Toward User-Centered Agentic Recommendation: When Does Platform Competition Benefit Users?
• Title（参考訳）: ユーザ中心のエージェントレコメンデーションに向けて: プラットフォームコンペティションはユーザに適しているか?
• Abstract要約: ユーザエージェントが競合するプラットフォームエージェントのレコメンデーションを比較する,ユーザ中心のエージェントレコメンデーションを提案する。 戦略的な誇張にもかかわらず、プラットフォーム信頼性アセスメントによって、より広範なアクセスの恩恵を受けることができるかどうかを定量化する。 合成およびAmazonの市場における実験は、信頼性評価が有限水平実用性を改善することを示している。
• 参考スコア（独自算出の注目度）: 42.08046748080711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional recommender systems operate within platform-specific catalogs, limiting access to potentially valuable resources across platforms. We propose user-centered agentic recommendation, a paradigm in which user agents compare recommendations from competing platform agents, and formalize their interaction as a repeated game. Platforms strategically modify descriptions without changing intrinsic item value, while each user agent assesses platform credibility using feedback from consumed items only. Our analysis shows that expanded resource access need not improve user welfare: strategic misrepresentation and limited verification can offset the benefits of platform competition. We quantify when platform credibility assessment allows users to benefit from broader access despite strategic exaggeration. Our analysis identifies resource and reporting conditions that guarantee higher average welfare than the original platform with an interaction budget linear in platform count. Experiments on synthetic and Amazon-grounded markets show that credibility assessment can improve finite-horizon utility, while its benefits depend on market size and mechanism parameters.
• Abstract（参考訳）: 従来のレコメンデータシステムはプラットフォーム固有のカタログ内で運用されており、プラットフォーム全体にわたる潜在的に価値のあるリソースへのアクセスを制限している。 ユーザエージェントが競合するプラットフォームエージェントのレコメンデーションを比較するパラダイムとして,ユーザ中心のエージェントレコメンデーションを提案する。 プラットフォームは、固有のアイテム値を変更することなく、戦略的に記述を修正し、各ユーザエージェントは、消費されたアイテムからのフィードバックを使用してプラットフォーム信頼性を評価する。 分析の結果,拡張されたリソースアクセスはユーザ福祉を改善する必要はなく,戦略上の誤りや限定的な検証がプラットフォーム競争の利点を相殺できることがわかった。 戦略的な誇張にもかかわらず、プラットフォーム信頼性アセスメントによって、より広範なアクセスの恩恵を受けることができるかどうかを定量化する。 本分析では, プラットフォーム数に線形な相互作用予算を持つプラットフォームよりも, 平均福祉を確保できる資源・報告条件を明らかにした。 合成およびAmazonの市場における実験は、信頼性評価が有限水平利用性を改善することを示し、その利点は市場規模とメカニズムパラメータに依存している。

関連論文リスト

• Personal-Agent Mediated Recommendation with Cross-Platform User History [32.23667692308938]
  我々は,新たなパラダイムをPersonal-Agent Mediated Recommendationとして定式化する。 プラットフォームレコメンデータは、プラットフォームローカル情報を用いて候補セットをランク付けし、パーソナルエージェントは、ユーザ公認のクロスプラットフォーム履歴を使用して、結果のランク付けを仲介する。 MediateRecの実験では、パーソナルエージェントのメディエーションは意味のあるプラットフォーム修正を可能にするが、強力なプロプライエタリなLCMでさえ、無視できない有害なオーバーライドを導入している。
  論文  参考訳（メタデータ） (2026-10-06T01:26:01Z)
• The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape [42.08046748080711]
  LLMベースのユーザエージェントは、異なるレコメンデーションプロセスを可能にする。 ユーザはプラットフォームを選択する前にニーズを指定する。 この新しいレコメンデーション設定は、アクセスと注意の緊張を生じさせる。
  論文  参考訳（メタデータ） (2026-07-28T03:54:38Z)
• Evaluation of Agents under Simulated AI Marketplace Dynamics [72.02953516461965]
  本稿では,情報アクセスシステムを競争市場への参加として評価するシミュレーションに基づくパラダイムを提案する。 我々はこの枠組みを定式化し、TRECのような評価キャンペーンにおける市場シミュレーション、メトリクス、最適化、導入に関する、ビジネスと経済に動機付けられた研究課題の概要を述べる。
  論文  参考訳（メタデータ） (2026-04-15T15:01:36Z)
• Fairness Dynamics in Digital Economy Platforms with Biased Ratings [50.29721091981893]
  我々は、デジタルプラットフォームが格付けに基づく差別を永続的に、あるいは対処する方法について研究する。 この結果から,ユーザエクスペリエンスと公平性の根本的なトレードオフが示される。 また,検索結果の人口動態を調整して介入することが,不公平を抑えるための極めて効果的な方法であることを示す。
  論文  参考訳（メタデータ） (2026-02-18T18:41:16Z)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)
• Interpolating Item and User Fairness in Multi-Sided Recommendations [13.635310806431198]
  我々は、新しいフェアレコメンデーションフレームワーク、問題(FAIR)を紹介します。 本稿では,リアルタイム学習とフェアレコメンデーションを同時に行う低レベルのアルゴリズム形式を提案する。 我々は,プラットフォーム収益を維持する上でのフレームワークと手法の有効性を実証するとともに,アイテムとユーザ双方に望ましい公平性を確保した。
  論文  参考訳（メタデータ） (2023-06-12T15:00:58Z)
• Competition, Alignment, and Equilibria in Digital Marketplaces [97.03797129675951]
  プラットフォームアクションがバンディットアルゴリズムであり,両プラットフォームがユーザ参加を競うデュオポリー市場について検討する。 私たちの主な発見は、この市場における競争は、市場の結果をユーザーユーティリティと完全に一致させるものではないということです。
  論文  参考訳（メタデータ） (2022-08-30T17:43:58Z)

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。