論文の概要: When Does a Recommendation Spark Curiosity? Theory, Measurement, and Field Evidence
- arxiv url: http://arxiv.org/abs/2611.14938v1
- Date: Wed, 11 Nov 2026 02:39:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.986987
- Title: When Does a Recommendation Spark Curiosity? Theory, Measurement, and Field Evidence
- Title(参考訳): 勧告はいつ好奇心を火花にするか : 理論、測定、フィールドエビデンス
- Abstract要約: 好奇心は、自分が知っているものと知りたいものの間のギャップを埋める原動力である。
その重要性にもかかわらず、キュリオシティは形式的な尺度が欠如しているため、現代のレコメンデータシステムにはほとんど組み込まれていない。
我々は,この尺度を実用関数設計に組み込んだ好奇性を考慮したレコメンデーションシステムを構築した。
- 参考スコア(独自算出の注目度): 54.2484458418885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Curiosity, the drive to close the gap between what one knows and what one wants to know, pulls consumers beyond their familiar content, sustains engagement, and breaks them out of the filter bubbles of repetitive, relevance-only recommendations. Despite its importance, curiosity is hardly incorporated into modern recommender systems for lack of a formal measure. The information-gap theory of curiosity provides no formal quantitative model that a recommender system can operate on, and existing proxy metrics do not accurately measure the curiosity that a recommended item evokes. To fill this research gap, we formalize the information-gap theory into five axioms of curiosity and construct the canonical formulation of a computational measure of the curiosity that a recommended item evokes in a consumer. We validate our curiosity measure through a survey-based study, in which it matches consumers' self-reported curiosity and outperforms alternative proxy metrics. We subsequently build a curiosity-aware recommender system that incorporates this measure into the utility function design, and we show through offline experiments on three real-world datasets that it significantly outperforms the state-of-the-art methods. Furthermore, we conduct a large-scale online controlled experiment at a major video-streaming platform in Asia, where we show that our method significantly increases click-through rate, video views, and time spent over the latest production system, leading to tangible economic impact for the company. Our method has since been deployed on the platform and remains in operation. Our findings establish consumer curiosity as a measurable and actionable objective for recommender systems, with important managerial implications for digital platforms to recommend what consumers wonder about.
- Abstract(参考訳): Curiosity(好奇心)は、自分が知っているものと知りたいものの間のギャップを埋め、消費者を慣れ親しんだコンテンツ以上に引きずり出し、エンゲージメントを保ち、反復的かつ関連性のみのレコメンデーションのフィルターバブルから引き離す。
その重要性にもかかわらず、キュリオシティは形式的な尺度が欠如しているため、現代のレコメンデータシステムにはほとんど組み込まれていない。
好奇心の情報ギャップ理論は、推奨者が操作できる形式的な量モデルを提供しておらず、既存のプロキシメトリクスは推奨項目が引き起こす好奇心を正確に測定しない。
この研究ギャップを埋めるために、情報ギャップ理論を5つの好奇心の公理に定式化し、推奨項目が消費者にもたらす好奇心の計算尺度の正準定式化を構築する。
調査に基づく調査により、消費者の自己報告された好奇心と照合し、代替プロキシ指標を上回った好奇心尺度を検証する。
その後、ユーティリティ関数設計にこの指標を組み込んだ好奇心を意識したレコメンデータシステムを構築し、実世界の3つのデータセットのオフライン実験を通して、最先端の手法を大幅に上回ることを示す。
さらに、アジアの大手ビデオストリーミングプラットフォームで大規模なオンライン制御実験を行い、最新の生産システムに費やしたクリックスルー率、ビデオビュー、時間を大幅に増加させ、企業にとって明らかな経済的影響をもたらすことを示した。
当社の手法はその後,プラットフォーム上に展開され,現在も運用中である。
本研究は, 消費者好奇心をレコメンデーションシステムのための測定可能な, 行動可能な目標として位置づけ, デジタルプラットフォームが消費者の関心を喚起する上で重要な役割を担っていることを示唆する。
関連論文リスト
- Measuring, Revealing and Mitigating Harmful Content Propagation in Recommender Systems [64.05340976373851]
我々は,3つの側面から,レコメンデータシステムにおける有害コンテンツの調査に向けて,体系的な一歩を踏み出した。
まず,有害性関連アノテーションを用いたデータセットの構築と,推薦結果の有害度を定量的に測定するための新しい評価指標を提案する。
第2に, 利用者は有害なコンテンツに関わりやすい傾向にあり, 推奨手法が普及に寄与することが多いことを実証分析により明らかにした。
第三に、この問題に対処するため、アイテムおよびユーザ表現学習の両方に有害な関連信号を統合する汎用フレームワーク、MitiHarmを導入する。
論文 参考訳(メタデータ) (2026-11-11T07:57:00Z) - RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation [63.74915464611075]
RecThinkerはツール拡張推論を推奨するエージェントフレームワークである。
我々はRecThinker専用のツール群を開発し、モデルがユーザアイテム側および協調的な情報を取得することを可能にする。
論文 参考訳(メタデータ) (2026-03-10T16:07:17Z) - Robust Recommender System: A Survey and Future Directions [58.87305602959857]
まず,悪質な攻撃や自然騒音に耐える現在の手法を整理するための分類法を提案する。
次に、不正検出、敵の訓練、悪意のある攻撃から守るための確実な堅牢な訓練など、各カテゴリにおける最先端の手法を検討する。
さまざまなレコメンデーションシナリオの堅牢性や,正確性や解釈可能性,プライバシ,公正性といった他の特性との相互作用について論じる。
論文 参考訳(メタデータ) (2023-09-05T08:58:46Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳(メタデータ) (2023-08-15T16:16:02Z) - 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) - PIE: Personalized Interest Exploration for Large-Scale Recommender
Systems [0.0]
これらの課題に対処するために,大規模レコメンデータシステムにおける探索のためのフレームワークを提案する。
我々の方法論は、最小限の修正で既存の大規模レコメンデータシステムに容易に統合できる。
私たちの仕事は、何十億ものユーザーを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watchで運用されている。
論文 参考訳(メタデータ) (2023-04-13T22:25:09Z) - 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) - Causal Disentanglement with Network Information for Debiased
Recommendations [34.698181166037564]
近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。
この設定における重要な課題は、隠れた共同設立者を説明することだ。
我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
論文 参考訳(メタデータ) (2022-04-14T20:55:11Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳(メタデータ) (2020-02-28T02:26:30Z)
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。