推荐系统中的算法集体行动：通过重排歌单来提升歌曲曝光

本文探讨了基于Transformer的推荐系统中的算法集体行动。我们的应用场景是音乐流媒体平台，一个由粉丝组成的群体旨在通过战略性地将一首歌插入现有歌单中来提升该歌曲的可见度。我们引入两种易于实现的策略，用以选择歌曲插入位置，以目标是测试时提升推荐效果。这些策略利用学习器的统计特性，通过针对推荐中的不连续点并利用歌曲分布的长尾特性来实现。我们使用由主要音乐流媒体平台公开的推荐系统模型进行实验评估。我们的发现表明，通过战略性放置，即使是小规模的集体（控制训练数据的不到0.01%）也能实现比同等歌曲训练集出现次数多达40倍的测试时推荐效果。关注策略的外部性，我们发现其他歌曲的推荐 largely 保持不变，新获得的推荐分散到 various artists 上。总体而言，我们的发现表明，精心设计的集体行动策略在不一定具有对抗性的前提下也能有效。