Learning to Suggest Breaks: Sustainable Optimization of Long-Term User Engagement

要約

ユーザー エンゲージメントを最適化することは、最新のレコメンデーション システムの重要な目標ですが、やみくもにユーザーを消費量の増加に追い込むと、燃え尽き症候群や離脱、さらには中毒性の習慣につながる危険性があります。
デジタル ウェルビーイングを促進するために、ほとんどのプラットフォームは現在、ユーザーに定期的に休憩を促すサービスを提供しています。
ただし、これらは手動で設定する必要があるため、ユーザーとシステムの両方にとって最適ではない可能性があります。
この論文では、推奨における中断の役割を研究し、長期的なエンゲージメントを促進および維持する最適な中断ポリシーを学習するためのフレームワークを提案します。
レコメンデーションのダイナミクスは正のフィードバックと負のフィードバックの両方の影響を受けやすいという概念に基づいて、レコメンデーションをロトカ-ヴォルテラ力学システムとしてキャストします。そこでは、中断は最適制御の問題に帰着します。
次に、効率的な学習アルゴリズムを提供し、理論的な保証を提供し、半合成データに対するアプローチの有用性を経験的に実証します。

要約(オリジナル)

Optimizing user engagement is a key goal for modern recommendation systems, but blindly pushing users towards increased consumption risks burn-out, churn, or even addictive habits. To promote digital well-being, most platforms now offer a service that periodically prompts users to take breaks. These, however, must be set up manually, and so may be suboptimal for both users and the system. In this paper, we study the role of breaks in recommendation, and propose a framework for learning optimal breaking policies that promote and sustain long-term engagement. Based on the notion that recommendation dynamics are susceptible to both positive and negative feedback, we cast recommendation as a Lotka-Volterra dynamical system, where breaking reduces to a problem of optimal control. We then give an efficient learning algorithm, provide theoretical guarantees, and empirically demonstrate the utility of our approach on semi-synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google