消费者生成媒体中的用户基于位置的策略与货币奖励
本研究旨在探讨在用户立场的差异下,Monetary Rewards 对文章发布策略的影响。我们使用多重世界遗传算法,通过 CGM 游戏理论模型的实验,证明了用户在 CGM 网络中会出现多种具有现实意义的主导策略。
Jun, 2023
社交奖励作为一种社区认可形式,是在线平台用户参与和贡献内容的强大动力。最近文本驱动的图像合成的进展开启了人工智能赋予用户创作原创视觉艺术,并寻求社区认可的协作时代。本研究在集体社区偏好的背景下评估这些模型带来了独特的挑战。现有的评估方法主要集中在用户研究上,以图像质量和提示对齐为导向。本研究首创了一种新的奖励建模框架 —— 社交奖励,利用社交网络用户对生成图像进行创作编辑的隐式反馈。通过从在线视觉创作和编辑平台 Picsart 搜集数据集,我们发现了当前度量社区创作偏好的指标的不足之处,并引入了一种专门解决这些限制的预测模型。严格的定量实验和用户研究表明,我们的社交奖励模型比现有的度量指标更符合社交受欢迎程度。此外,我们利用社交奖励来微调文本驱动的图像生成模型,得到不仅社交奖励喜欢,而且其他已有度量指标也更看好的图像。这些发现突显了社交奖励在评估人工智能生成的艺术品中社区认可的相关性和效果,与用户的创作目标 —— 创作热门视觉艺术更为接近。
Feb, 2024
本研究旨在研究人格特质对内容推荐模型的影响,通过一个名为 PersiC 的创新的基于人格特质的多视角内容推荐引擎,进行实验和现实案例研究,结果表明它不仅能够有效地具有人格驱动的多视角内容推荐能力,而且能够提出行之有效的数字广告策略建议,将数字广告效率提高了 420% 以上,相较于最初的人为指导方法。
Jul, 2022
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。
Jun, 2022
本研究探讨了在 Steam 平台上用户行为特征与在线游戏推荐系统的关系,认为满足个性化、游戏情境化和社交连接的在线游戏推荐系统具有吸引用户、增加用户停留时间的作用。然而,同时解决这三个特性是非常具有挑战性的。因此,我们提出了新的 SCGRec,并结合了三个视角来改进游戏推荐。
Feb, 2022
研究了社交媒体以及用户生成内容(UGC)在新闻工作中的作用,探索设计工具以帮助新闻报道的影响。通过一系列深入的民族志研究,报告了社交媒体验证 ' 仪表板 ' 原型的需求收集及其后续评估的结果,并反思了我们的研究结果对支持新闻工作工具设计的更广泛的影响。
Feb, 2017
通过动态规划平衡当前高奖励和未来低回报的多阶段社交网络优化问题的基础上,建立一个基于多变量 Hawkes 过程的社交网络优化理论框架,并针对推广的几个目标函数推导出外部事件强度与目标函数的时间依赖线性关系,进一步发展了一个凸的动态规划框架,可以确定每个阶段所需的外部推动水平,以达到所需的推广结果。实验结果表明,我们的算法比基线模型更准确地引导用户进行优化宣传。
Jun, 2016
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
在重复博弈中,我们研究了采用货币调节等教授动态学习策略的玩家对于行为激励的影响,包括其对学习动态、福利和分配的影响,并提出了一个简单的博弈论模型以解释这些情况。我们的研究表明,在一类广泛的博弈中,通过让学习代理在游戏动态过程中向其他玩家支付,玩家的福利得到提高,而在拍卖过程中,通过制定 “支付政策博弈” 的均衡,代理动态可以达到低收益的合谋结果,这为与机制设计相关的自动学习代理的系统提出了挑战。
May, 2024
本文提出了一种基于强化学习框架的几何演员 - 评论家模型进行有效的奖励分配,无需事先了解用户属性,以应对在社交网络中激励强化分配的挑战。
Mar, 2022