选择恰当的权重：在推荐系统中权衡价值、策略与噪声
机器学习
2024-12-10 v2
摘要
许多推荐系统优化不同用户行为（如点击、点赞与分享）的线性加权。我们从用户与内容生产者的视角分析了权重的最优选择，二者会对权重作出策略性响应。我们考虑每种潜在行为的三个方面：价值忠实性（行为在多大程度上表明用户重视内容）、策略鲁棒性（生产者操纵该行为的难度）以及噪声性（预测该行为时的估计误差大小）。我们的理论结果表明，对用户而言，提高更具价值忠实性且噪声更小的行为的权重可带来更高效用；而对生产者而言，提高更具价值忠实性且策略鲁棒的行为的权重可带来更高福利（且噪声的影响是非单调的）。最后，我们将框架应用于 Facebook 上的权重设计，使用了一个约 7000 万条 Facebook 分享 URL 的大规模数据集。引人注目的是，我们发现用户最优权重向量（a）比未考虑方差的向量带来更高用户价值；（b）也改善了更广泛的社会结果，减少了错误信息并提升了 URL 域名质量，这些结果在我们的理论框架中并未被直接设定为目标。
引用
@article{arxiv.2305.17428,
title = {Choosing the Right Weights: Balancing Value, Strategy, and Noise in Recommender Systems},
author = {Smitha Milli and Emma Pierson and Nikhil Garg},
journal= {arXiv preprint arXiv:2305.17428},
year = {2024}
}