算法化内容选择与用户脱离的影响

数字服务在内容选择上面临一个基本权衡：它们必须平衡从高回报内容中获得的即时收入与维持用户参与的长期收益。传统的多臂老虎机模型假设用户始终保持参与，未能捕捉到用户在不满意时可能脱离，从而降低未来收入潜力的可能性。在这项工作中，我们引入了一个明确考虑可变用户参与和脱离的内容选择问题模型。在我们的框架中，最大化即时回报的内容在促进持续用户参与方面不一定是最优的。我们的贡献有两方面。首先，我们开发了用于内容选择策略的离线优化和在线学习的计算和统计方法。对于参与模式由$k$个不同级别定义的用户，我们设计了一个动态规划算法，能在$O(k^2)$时间内计算出精确的最优策略。此外，我们为平台服务一系列具有未知且可能对抗性参与模式的用户的在线学习场景，推导出了无遗憾学习保证。其次，我们引入了修正需求弹性的概念，该概念捕捉了用户整体满意度的微小变化如何影响平台获取长期收入的能力。这一概念通过纳入用户重新参与的动态，推广了经典的需求弹性，从而揭示了参与和收入之间相互作用的关键见解。值得注意的是，我们的分析揭示了一个反直觉的现象：尽管更高的摩擦（即重新参与的可能性降低）通常会降低整体收入，但在最优内容选择策略下，它同时可能导致更高的用户参与。