Algorithmic Collective Action in Recommender Systems: Promoting Songs by Reordering Playlists

要約

私たちは、トランスフォーマーベースのレコメンダー システムにおけるアルゴリズムの集団アクションを調査します。
私たちのユースケースは、ファンの集団が、自分たちが管理する既存のプレイリストに自分の曲の 1 つを戦略的に配置することで、過小評価されているアーティストの認知度を高めることを目的とした音楽ストリーミング プラットフォームです。
テスト時に推奨を高めることを目的として、曲を挿入する位置を選択するための 2 つの簡単に実装できる戦略を紹介します。
この戦略は、推奨事項の不連続性をターゲットにし、楽曲配信のロングテールの性質を利用することで、学習者の統計的特性を活用します。
主要な音楽ストリーミング プラットフォームによってリリースされ、公開されているレコメンダー システム モデルを使用して、戦略の有効性を評価します。
私たちの調査結果では、戦略的な配置により、小規模な集合体 (トレーニング データの 0.01\% 未満を管理) であっても、同じトレーニング セットの発生数を持つ平均的な曲よりも最大 $40\times$ 多いテスト時間の推奨値を達成できることが明らかになりました。
戦略の外部性に焦点を当てると、他の曲の推奨事項はほとんど保持され、新たに取得された推奨事項はさまざまなアーティストに分散されることがわかります。
まとめると、私たちの調査結果は、慎重に設計された集団行動戦略が、必ずしも敵対的ではないにもかかわらず、いかに効果的であるかを示しています。

要約(オリジナル)

We investigate algorithmic collective action in transformer-based recommender systems. Our use case is a music streaming platform where a collective of fans aims to promote the visibility of an underrepresented artist by strategically placing one of their songs in the existing playlists they control. We introduce two easily implementable strategies to select the position at which to insert the song with the goal to boost recommendations at test time. The strategies exploit statistical properties of the learner by targeting discontinuities in the recommendations, and leveraging the long-tail nature of song distributions. We evaluate the efficacy of our strategies using a publicly available recommender system model released by a major music streaming platform. Our findings reveal that through strategic placement even small collectives (controlling less than 0.01\% of the training data) can achieve up to $40\times$ more test time recommendations than an average song with the same number of training set occurrences. Focusing on the externalities of the strategy, we find that the recommendations of other songs are largely preserved, and the newly gained recommendations are distributed across various artists. Together, our findings demonstrate how carefully designed collective action strategies can be effective while not necessarily being adversarial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google