学习建议休息：长期用户参与的可持续优化
机器学习
2023-06-08 v2 计算机与社会
信息检索
系统与控制
系统与控制
摘要
优化用户参与是现代推荐系统的关键目标，但盲目推动用户增加消费有导致倦怠、流失甚至成瘾习惯的风险。为促进数字福祉，大多数平台现提供定期提示用户休息的服务。然而，这些必须由用户手动设置，因此可能对用户和系统均非最优。本文中，我们研究休息在推荐中的作用，并提出一种学习最优休息策略的框架，以促进并维持长期参与。基于推荐动态易受正、负反馈影响的观点，我们将推荐建模为 Lotka-Volterra 动力系统，其中休息归结为最优控制问题。随后我们给出一种高效学习算法，提供理论保证，并在半合成数据上实证展示了我们方法的效用。
引用
@article{arxiv.2211.13585,
title = {Learning to Suggest Breaks: Sustainable Optimization of Long-Term User Engagement},
author = {Eden Saig and Nir Rosenfeld},
journal= {arXiv preprint arXiv:2211.13585},
year = {2023}
}
备注
Accepted for publication in ICML 2023