Mar, 2024
在推荐系统中的算法协同行动：通过重新排序播放列表促进歌曲推荐
Algorithmic Collective Action in Recommender Systems: Promoting Songs by
Reordering Playlists
TL;DR我们研究了基于Transformer的推荐系统中的算法集体行动。我们的案例是一群粉丝，旨在通过在他们控制的现有播放列表中策略性地放置一首歌曲来提高艺术家的可见性。我们引入了两种易于实施的策略，并在一个主要音乐流媒体平台发布的公开可用的推荐系统模型上测试其有效性。我们的发现显示，即使是小规模的集体（控制少于训练数据的0.01%）也可以通过策略性地选择插入歌曲的位置实现多达25倍的推荐放大。然后，我们着重研究了这种策略的外部性。我们发现对于平台而言，性能损失是微不足道的，而其他歌曲的推荐基本上保持不变，对参与者的用户体验的干扰最小。此外，成本在其他艺术家之间均匀分配。综上所述，我们的发现证明了集体行动策略在推荐系统中既可以有效，又不一定是对抗性的，从而引发了有关激励机制、社会动态和均衡的新问题。