揭示推荐平台中用户满意度与创作者生产力之间的权衡
计算机科学与博弈论
2024-11-04 v2 信息检索
摘要
在用户生成内容（UGC）平台上，推荐算法在创作者竞争算法分配的用户流量时，显著影响其内容创作动机。这种现象潜移默化地塑造了内容池的体量和多样性，这对平台的可持续性至关重要。在这项工作中，我们从理论和实证两方面证明，探索强度低的纯相关性驱动策略能提升短期用户满意度，但会损害内容池的长期丰富性。相比之下，更激进的探索策略可能会略微损害用户满意度，但能促进更高的内容创作量。我们的发现揭示了 UGC 平台上即时用户满意度与整体内容生产之间的根本性权衡。基于这一发现，我们提出了一种高效的优化方法来确定最优探索强度，以平衡用户和创作者的参与度。我们的模型可以作为 UGC 平台推荐算法的部署前审计工具，帮助将其即时目标与可持续的长期目标对齐。
引用
@article{arxiv.2410.23683,
title = {Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms},
author = {Fan Yao and Yiming Liao and Jingzhou Liu and Shaoliang Nie and Qifan Wang and Haifeng Xu and Hongning Wang},
journal= {arXiv preprint arXiv:2410.23683},
year = {2024}
}