Jun, 2022

算法筛选平台上创作者激励建模

PDF
TL;DR该研究探讨了内容创作者为获取用户关注所采取的策略，以及在线平台开发者所做出的算法选择对其影响，并提出了一种名为曝光博弈的模型来形式化这种动态。该模型证明了算法选择对曝光博弈的 Nash 均衡的存在和性质产生了重大影响，并提出了一种针对曝光游戏的 (前置) 审核工具来识别理想内容和以激励为导向的排名之间的不一致情况。
user attentionalgorithmic choicesexposure gamecontent creationincentives
发现论文，激发创造
  • 在线推荐系统中激励高质量内容

    本文研究了在线学习算法对内容创作者质量和创作动机的影响，发现 Hedge 和 EXP3 等算法会促进内容低质次，提出了一种基于惩罚低质次内容的算法以激励高质次的内容创作。

    Jun, 2023

  • 双边市场中用户和创作者的匹配问题

    许多当前的在线平台，包括社交媒体网站，是连接内容创作者和用户的双边市场。本研究提出了一个内容推荐模型，明确关注用户与内容匹配的动态，并具有用户和创作者可能永久离开平台的新特性。我们展示了两种实用算法，在考虑双边离开的情况下，在总体参与度方面表现良好，相比于忽略双边离开的算法。

    Dec, 2023

  • 社交网络中减少极端化倾向

    该研究提出了一种可避免过滤气泡的内容筛选和个性化模型，该模型采用多臂赌博机策略，并提供了算法保证和匹配下限。为了避免过滤气泡，该作者集中在由 $i$ 用户在 $T$ 时间步内与平台互动选择来自 $k$ 个类别的内容，同时该平台根据多臂赌博机的概率同时展示少量的不同内容。最后我们提出了一个新型模型，该模型更公平地分配了举例分散的负担，可对推荐进行优化。

    May, 2023

  • 推荐系统中基于策略代理的公平暴露优化进行成效去偏差

    在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

    Jun, 2024

  • 推荐系统中的曝光限制学习

    本文提出了一种上下文多臂赌博机模型来解决推荐系统中内容提供商对曝光量的依赖性，并开发具有次线性遗憾度和优化目标的算法，该算法的目标是最大程度地提高用户的福利和保留至关重要的内容提供商。

    Feb, 2023

  • 点击率诱导优化如何塑造在线平台的内容格局

    在线内容平台通常使用基于参与度的优化来进行推荐，该研究分析了内容创作者之间基于参与度指标竞争的博弈游戏，并研究了投资于质量和采用作弊手段的平衡决策，结果发现在平衡状态下创作者创作的内容质量和作弊行为之间存在正相关关系。同时，该研究还扩展了基于参与度优化的下游性能，并表明相比于随机推荐的基准值，参与度优化在用户效用和实际用户参与度方面均可能表现更差，这些结果强调了在评估平台选择优化指标时需要考虑到内容创作者的激励问题。

    Jan, 2024

  • PPA-Game：在线内容创作者的竞争动态特征与学习

    基于 Proportional Payoff Allocation Game 模型，分析代理者（类似于 YouTube 和 TikTok 上的内容创作者）为有限资源和用户关注度而竞争的情景，探讨纯纳什平衡是否存在，并采用多人多臂赌博机框架的在线学习算法来最大化每个代理者在一定轮次内的累积收益。

    Mar, 2024

  • 社交网络中的信息曝光平衡

    本文提出一种解决在社交网络中平衡信息暴露的问题的算法，通过使用近似算法来找到两组节点，以使两组节点的信息曝光在整个网络中基本上保持平衡。

    Sep, 2017

  • 学习用户偏好以促进共享经济中的探索行为

    通过向用户提供货币奖励来激励他们探索他们可能不会选择的选项是一种有效的方法，使用结构信息模型化为凸约束来学习合适的激励是最佳选择，我们提出了一种新颖的算法 - Coordinated Online Learning（CoOL）用于学习，我们通过测试 Airbnb 上公寓的数据来验证我们的方法是可行的，该方法有助于增加探索。

    Nov, 2017

  • 用户策略与可信算法

    人面向算法的战略行为对算法的可靠性和决策能力有负面影响，因此需要设计可信的算法，研究用户信任的形式化方法及潜在干预手段。

    Dec, 2023