Jan, 2024

点击率诱导优化如何塑造在线平台的内容格局

PDF
TL;DR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。
online content platformsengagement-based optimizationcontent creatorsqualitygaming tricks
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

  • 算法筛选平台上创作者激励建模

    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

  • 算法流行度偏见如何促进或阻碍质量

    研究表明，在文化市场中，以大众化推荐作为代表的算法偏见有可能促进一定阈值范围内的高品质内容排序，而在其它情形下却更容易妨碍优秀内容的排名。

    Jul, 2017

  • 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

  • 学会休息：可持续优化长期用户参与度

    本文旨在提高用户参与度的同时避免滥用或成瘾行为，介绍了使用 Lotka-Volterra 动力学模型的框架，学习个性化休息策略并通过半合成数据的理论保证和实证评估了其性能。

    Nov, 2022

  • 深入研究点击诱饵：谁在哪些主题中使用它们以及使用它们的程度和影响如何？

    本研究使用自行开发的 clickbait 检测模型，分析了来自 153 个媒体机构的 1.67 百万条 Facebook 帖子，研究 clickbait 实践的程度、其影响以及用户参与度，并进一步研究 clickbait 和非 clickbait 内容中主题的分布情况。

    Mar, 2017

  • 推荐中的策略化测量：用户调整行为以塑造未来内容

    用户行为对推荐算法产生影响，用户可以采取策略来塑造其未来的推荐结果。该研究实验证明用户策略化行为普遍存在，推荐平台需要考虑算法对用户行为的影响。

    May, 2024

  • 顶评或踩评？预测和解释在线新闻讨论中的用户参与

    本研究采用神经网络模型对用户评论进行了分析，跟踪评论获得的赞和回复，并基于这些信息区分出具有高或低赞回复概率的评论。研究表明，有助于激发用户互动的评论特征可以按照一定的分类学进行整理，神经网络在分析这种回归问题时表现出最好的性能。

    Mar, 2020

  • 创作者经济中的线上学习

    本文探讨创作者经济中的在线学习，通过将创作者经济建模为用户、平台和内容创作者之间的三方博弈，分析并比较基于回报和基于特征两类契约，同时优化推荐策略，以期最大化效用。

    May, 2023

  • GEO: 生成引擎优化

    大型语言模型的出现引入了一种新的搜索引擎范式，使用生成模型来收集和总结信息以回答用户查询。我们正式将这种新兴技术统一归类为生成引擎，并认为它具有生成准确和个性化的回答的潜力，正在快速取代谷歌和必应等传统搜索引擎。为了解决内容创作者面临的挑战，我们引入了生成引擎优化（GEO），这是一种通过黑盒优化框架来优化和定义可见性指标，以帮助内容创作者提高其内容在生成引擎回应中的可见性，且经过严格评估，我们展示了 GEO 在生成引擎回应中可提高可见性高达 40％的效果，同时也强调了对特定领域的需求。我们的工作在信息发现系统领域开辟了新的前沿，并对生成引擎和内容创作者产生了深远的影响。

    Nov, 2023