推荐生态系统中配置文件可移植性的多利益相关者影响

在推荐系统中优化多个利益相关者的结果过去一直聚焦于算法干预，例如开发多目标模型或对现有算法的排序结果进行重新排序。然而，对推荐生态系统本身的结构性变革仍未得到充分研究。本文探讨了算法多元主义（也称为治理文献中的“中间件”）的含义，即推荐算法与平台分离，使用户能够选择其首选算法。先前的仿真工作表明，算法选择有利于利基消费者和提供者。然而，这种方法提出了关于用户建模的数据可移植性情境的关键问题：当用户切换算法时，其数据会发生什么？不废寝论述，多个数据可移植性法规已涌现，以加强用户数据的所有权和控制。我们检查了此类政策如何影响推荐情境中的用户模型和利益相关者结果。我们的发现揭示，数据可移植性情境在不同推荐算法下对用户效用产生不同的影响。我们概述了关键政策考虑事项和设计公平推荐生态系统的含义。