TruthSR: Trustworthy Sequential Recommender Systems via User-generated Multimodal Content
针对用户生成多模态内容中的噪声干扰问题,提出可信序列推荐方法TrustSR,通过显式捕捉多模态内容一致性与互补性、建模用户序列偏好,并设计融合主客观视角的可信决策机制动态评估不确定性,在四个数据集上性能优于现有方法。
2024-04-26 cs.IR
User Welfare Optimization in Recommender Systems with Competing Content Creators
针对内容创作者竞争导致用户福利次优的问题,提出平台动态计算用户权重并调整推荐策略或奖励的算法,离线与在线实验均验证了其有效性。
2024-04-28 cs.IR
Break the Inaccessible Boundary: Distilling Post-Conversion Content for User Retention Modeling
Kuaishou Technology(快手科技)
本文提出OCARM框架,通过蒸馏对转化后内容进行增强,解决训练与服务间的特征泄露问题,提升用户留存预测效果。
2026-04-28 cs.IR
Hierarchical Bayesian Models with Factorization for Content-Based Recommendation
大多数现有的基于内容的过滤方法独立地学习用户简档,而不捕获用户之间的相似性。贝叶斯分层模型\cite{Zhang:Efficient}联合学习用户简档,并且具有能够通过贝叶斯先验从其他用户借用辨别性信息的优点。然而,标准贝叶斯分层模型假设所有用户简档都是从相同的先验生成的。考虑到用户兴趣的多样性,这一假设可以通过引入更多的灵活性来改进。此外,大多数现有的基于内容的过滤方法隐含地假设每个用户简档对应于一个用户兴趣,并且不能捕获用户的多个兴趣(信息需求)。在本文中,我们提出了一个灵活的贝叶斯分层建模方法来模拟用户之间的共性和多样性,以及个人用户的多个利益。我们提出了两个模型,每个模型具有不同的假设,所提出的模型被称为判别因子先验模型(DFPM)。在我们的模型中,每个用户简档被建模为一个判别分类器与因子模型作为其先验,和不同的因素在不同的水平,以每个用户简档的贡献。与现有的基于内容的过滤模型相比,DFPM是有趣的,因为它们可以1)借用其他用户的判别标准,同时通过因子化先验知识学习特定的用户简档; 2)在用户之间的多样性和共性之间进行权衡; 3)处理具有挑战性的分类情况下,每个类包含多个概念。在digg.com上采集的真实用户数据集上的实验结果表明,该模型的性能明显优于L-2正则化逻辑回归模型和传统贝叶斯层次逻辑回归模型.
2014-12-28 cs.IR
Math-Aware Search Engines: Physics Applications and Overview
现在已经有了针对方程的搜索引擎,它们返回与查询的数学含义或结构表示相匹配的结果。通过科学论文,在线百科全书和数学论坛,他们的内容包括物理,数学和其他科学。它们使物理学家能够避免行话,更容易在学科内和跨学科地瞄准数学内容。作为基于关键字的搜索的自然扩展,它们为发现精确和近似的数学解、物理系统的类似物和替代模型以及物理模式开辟了一个新的世界。本文介绍了现有的数学感知搜索引擎,讨论了如何最大限度地提高搜索成功率,并概述了它们的数学匹配能力。建议的应用物理也给出了,有助于开发人员和物理学家的探索新的可用的搜索视野。
2016-09-08 cs.DL cs.IR cs.MS
Long-run User Value Optimization in Recommender Systems through Content Creation Modeling
内容推荐系统通常擅长于最大化即时用户满意度,但为了优化\textit{long-run}用户价值,我们需要比现成的简单推荐算法更复杂的统计解决方案。在本文中,我们提出了这样一个解决方案,以优化\textit{long-run}的用户价值,通过折扣效用最大化和机器学习方法,我们已经开发了估计它。我们的方法估计哪些内容生产商是最有可能创造最高的长期用户价值,如果他们的内容是显示更多的用户谁喜欢它在目前。我们在A/B测试和异质效应机器学习模型的帮助下进行了估计。我们已经在Facebook的Feed排名系统中使用了这样的模型,并且这样的模型可以用于其他推荐系统。
2022-04-25 cs.IR cs.SI
Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities
Stanford University(斯坦福大学);Google(谷歌)
大多数现有的推荐系统主要关注用户与内容的匹配,以最大限度地提高平台上的用户满意度。然而,越来越明显的是,内容提供方通过内容创建对用户满意度具有关键影响,在很大程度上决定了可用于推荐的内容池。因此,一个自然的问题出现了:我们是否可以设计考虑到用户和内容提供方的长期效用的路由器?通过这样做,我们希望维持更多的供应商和更多样化的内容池,以获得长期的用户满意度。了解建议对用户和提供者群体的全面影响是一项挑战。本文的目的是作为一个研究调查的一种方法,建立一个供应商意识的推荐,并评估其影响,在模拟设置。为了描述用户-推荐者-提供者的相互依赖关系,我们还通过形式化提供者动态来补充用户建模。由此产生的联合动力系统产生了一个弱耦合的部分可观察的马尔可夫决策过程驱动的推荐行动和用户反馈给供应商。然后,我们建立了一个REINFORCE推荐代理,创造EcoAgent,以优化用户效用和与推荐内容相关的提供商的反事实效用提升的联合目标,我们证明这相当于在一些温和的假设下最大化整体用户效用和平台上所有提供商的效用。为了评估我们的方法,我们引入了一个模拟环境捕捉用户,供应商和推荐之间的关键互动。我们提供了一些模拟实验,阐明了我们的方法的好处和局限性。这些结果有助于了解如何以及何时供应商意识的推荐代理是有益的,在建设多利益相关者的推荐系统。
2021-05-06 cs.IR cs.LG
TrendLearner: Early Prediction of Popularity Trends of User Generated Content
我们在这里关注的问题,尽早预测用户生成内容(UGC)的流行趋势。以YouTube视频为例,我们提出了一种新的两步学习方法:(1)从以前上传的对象中提取流行趋势,(2)预测新内容的趋势。与以前的工作不同,我们的解决方案明确地解决了预测准确性和预测后对内容的剩余兴趣之间的固有权衡,并在每个对象的基础上解决了它。我们的实验结果表明,我们的解决方案的替代品,其适用性,以提高国家的最先进的流行预测方法的准确性有很大的改善。
2016-02-14 cs.IR cs.SI
DeepTagRec: A Content-cum-User based Tag Recommendation Framework for Stack Overflow
在本文中,我们开发了一个基于内容和用户的深度学习框架DeepTagRec,用于在Stack Overflow上推荐合适的问题标签。所提出的系统从问题标题和主体中学习内容表示。随后,从用户和标签之间的异构关系的学习表示融合的内容表示的最终标签预测。在一个包含50万个问题帖子的超大规模数据集上,DeepTagRec击败了所有基线;特别是,它显著优于表现最好的基线T agCombine,在precision@3和recall@10方面分别实现了60.8%和36.8%的总体增益。DeepTagRec在精确k精度和前k精度方面也分别比TagCombine提高了63%和33.14%
2019-03-10 cs.IR cs.SI
Recommendation Scheme Based on Converging Properties for Contents Broadcasting
热门视频往往在短时间内被大量用户点击。通过内容推荐,可以将流行的内容在无线网络中广播给潜在的用户,从而节省大量的传输资源。本文结合中国商用蜂窝网络中用户的通信日志,分析了用户历史行为、位置以及无线数据传输中的汇聚特性对内容传播模型的影响。并提出了一种推荐方案,以实现高能量效率。
2014-10-09 cs.IR cs.MM
The Feedback Loop Between Recommendation Systems and Reactive Users
本文研究反应型用户能否通过主动调整内容消费策略来对抗推荐系统反馈回路造成的观点偏移,并通过建模与解析分析证明递减及自适应递减消费策略可在保持效用的同时有效限制观点变化。
2025-03-14 cs.GT cs.IR
TREC iKAT 2023: The Interactive Knowledge Assistance Track Overview
University of Amsterdam(阿姆斯特丹大学);University of Edinburgh(爱丁堡大学);University of Strathclyde(思克莱德大学)
本文概述了 TREC iKAT 2023 赛道,该赛道研究基于用户个性化上下文的对话式搜索智能体,首年吸引七支队伍提交 24 个运行结果,多数方案采用大语言模型。
2024-02-22 cs.AI cs.CL cs.IR
Content Moderation in TV Search: Balancing Policy Compliance, Relevance, and User Experience
Applied AI Research, Comcast(应用人工智能研究,康卡斯特);Comcast AI Technologies(康卡斯特人工智能技术)
本文提出利用大语言模型作为额外监控层,在电视搜索中标记用户无意搜索的内容,以增强内容审核,平衡政策合规与相关性,提升用户体验。
2025-05-22 cs.IR cs.LG
Content Prompting: Modeling Content Provider Dynamics to Improve User Welfare in Recommender Ecosystems
Google Research(谷歌研究院)
针对推荐系统中内容提供者信息不对称问题,提出内容提示策略,通过联合提示诱导提供者提供新内容,以均衡优化用户福利并尊重提供者激励。
2023-09-02 cs.AI cs.GT cs.IR
Deep Unified Multimodal Embeddings for Understanding both Content and Users in Social Media Networks
SRI International(SRI国际);Cornell University(康奈尔大学)
在过去的几年里,社交媒体网络上产生的多模态内容激增,这需要对社交媒体内容和用户行为进行更深入的了解。我们提出了一种新的内容无关的内容用户反应模型的社会多媒体内容分析。与以前的工作,一般解决语义内容理解和用户行为建模隔离,我们提出了一个通用的解决方案,这些问题在一个统一的框架。我们嵌入用户,图像和文本从开放的社交媒体在一个共同的多模态几何空间,使用一种新的损失函数,旨在应付遥远的和不同的方式,从而实现无缝的三路检索。我们的模型不仅在跨模态检索任务上优于基于单峰嵌入的方法,而且在Twitter数据上联合解决这两个任务也显示出了改进。我们还表明,在我们的联合多模态嵌入模型中学习的用户嵌入比在Instagram数据上学习的单峰内容更好地预测用户兴趣。因此,我们的框架超越了以前的做法,使用显式的领导者,追随者的链接信息,以建立从属关系,通过提取隐式的内容为中心的从属关系,从孤立的用户。我们提供了定性的结果表明,从学习嵌入出现的用户集群具有一致的语义和我们的模型发现细粒度的语义从嘈杂和非结构化数据的能力。我们的工作表明,社会多模态内容本质上是多模态的,并具有一致的结构,因为在社交网络的意义是通过用户和内容之间的互动。
2019-06-11 cs.CL cs.CV cs.IR
A Picture Tells a Thousand Words -- About You! User Interest Profiling from User Generated Visual Content
在线社交网络用户属性和兴趣的推断一直是一个活跃的研究课题。准确识别用户的属性和兴趣是提高个性化推荐系统性能的关键。大多数现有的作品都集中在用户生成的文本内容,并成功地使用它来预测用户的兴趣和其他识别属性。然而,很少有人关注用户生成的视觉内容(图像),这是越来越流行和普及,在最近的时间。我们认为用户在社交网络上发布的图像反映了他们感兴趣的主题,并提出了一种从用户发布的图像中推断用户属性的方法。我们分析了单个图像的内容,然后聚合图像级的知识来推断用户级的兴趣分布。我们采用图像级相似性来传播图像之间的标签信息,以及利用来自用户创建的组织结构的图像类别信息,以进一步传播所有图像的类别级知识。使用Pinterest创建的现实生活中的社交网络数据集进行评估,实验结果证明了我们所提出的方法的有效性。
2015-04-17 cs.IR cs.MM cs.SI
A Comprehensive Overview of Recommender System and Sentiment Analysis
Universiti Kebangsaan Malaysia(马来西亚国民大学);Taiz University(塔伊兹大学)
推荐系统在许多领域都有着重要的作用,被广泛应用于各个领域。大多数传统的推荐系统依赖于由用户给出的数字评级,以反映他对消费项目的意见,然而,这些评级是在许多领域不可用。因此,在推荐过程中纳入了由用户生成的评论表示的新信息源,以弥补这些评级的不足。评论包含与整个项目或可以使用情感分析字段提取的特定特征相关的大量信息。本文给出了一个全面的概述,以帮助研究人员谁的目标是与推荐系统和情感分析。它包括推荐系统概念的背景,包括推荐系统中使用的阶段,方法和性能指标。然后,讨论了情感分析的概念,重点介绍了情感分析的主要内容,包括层次、方法,并重点介绍了基于方面的情感分析。
2021-09-18 cs.AI cs.IR
Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms
本研究揭示UGC推荐平台中短期用户满意度与长期内容生产力的权衡关系,提出确定最优探索强度的高效优化方法,可作为算法部署前审计工具以平衡平台即时与长期可持续目标。
2024-11-01 cs.GT cs.IR
User Modeling Combining Access Logs, Page Content and Semantics
Jožef Stefan Institute(约热·斯泰凡研究所)
提出了一种基于不同数据源相结合的大型Web站点用户建模方法:将访问日志和访问页面内容与Web页面、用户和用户访问Web站点的语义信息相结合。这里的假设是,我们正在处理一个大型Web站点,它向大量访问该站点的用户提供内容。所提出的方法表示每个用户的一组功能来自不同的数据源,其中一些功能值可能会丢失一些用户。它还使得能够基于所提供的目标用户子集的特性来进行用户建模。该方法进行评估,在现实世界的数据,我们比较性能的自动分配的用户到一个预定义的用户段时,不同的数据源被用来代表用户。
2011-03-25 cs.AI cs.HC cs.IR
Content-Based Personalized Recommender System Using Entity Embeddings
Manipal Institute of Technology(马尼帕尔理工学院)
推荐器系统是一类机器学习算法,其基于用户与类似项目的交互或基于项目的内容向用户提供相关推荐。在要保留项目内容的设置中,基于内容的方法将是有益的。本文的目的是突出的优势,基于内容的方法,通过学习嵌入和利用这些优势,提供更好的和个性化的电影推荐基于用户的喜好,如类型和关键字标签的各种电影功能。
2020-10-24 cs.IR cs.LG
SPAR: Personalized Content-Based Recommendation via Long Engagement Attention
The University of British Columbia(不列颠哥伦比亚大学);Meta AI;MBZUAI(穆罕默德·本·扎耶德人工智能大学)
SPAR框架利用预训练语言模型、多注意力层和注意力稀疏机制,以会话方式编码长时用户历史,并结合LLM提取全局兴趣,在基准数据集上超越现有最先进方法。
2024-05-22 cs.CL cs.IR
Not Just Skipping. Understanding the Effect of Sponsored Content on Users' Decision-Making in Online Health Search
广告(ads)是搜索引擎商业模式的固有组成部分。广告商愿意付费给搜索引擎,以将其内容推广到搜索结果页面(SERP)的显著位置。这引起了人们对搜索引擎操纵效应(SEME)的担忧:用户的意见可能会受到搜索结果呈现方式的影响。在这项工作中,我们调查SEME和赞助内容在健康领域之间的连接。我们进行了一系列的用户研究,参与者需要评估不同的非处方自然疗法对各种医疗条件的有效性。我们向参与者提供了对某些观点有不同故意偏见的SERP,有或没有赞助内容,并要求他们仅根据提供给他们的信息来评估治疗的有效性。我们调查两种类型的赞助内容:1。直接营销广告,直接推销产品,而不表达其有效性的意见,以及2。在查询条件下明确宣传产品有效性的间接营销广告。我们的研究结果揭示了这两种广告类型对用户的影响之间的显着差异。虽然直接营销广告大多被用户跳过,但它们可以使用户的决策倾向于更积极的观点。间接营销广告既影响用户的检查行为,也影响他们对治疗效果的看法。我们进一步发现,间接营销广告和有机搜索结果中呈现的观点之间的对比在用户的决策中起着重要的作用。当对比度高时,用户表现出对消极观点的强烈偏好,而当对比度低或没有时,用户表现出对更积极观点的偏好。
2022-07-10 cs.HC cs.IR
EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations
University of British Columbia(不列颠哥伦比亚大学);Meta AI;Monash University(莫纳什大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
针对基于内容的推荐需求,本文提出EmbSum框架,结合预训练编解码模型、多头注意力层与LLM监督的用户兴趣摘要生成,实现离线预计算与长期兴趣建模,在两个跨领域数据集上以更少参数超越现有最优方法,还可输出兴趣摘要。
2024-08-19 cs.CL cs.IR
An Unbiased Data Collection and Content Exploitation/Exploration Strategy for Personalization
Yahoo Research(雅虎研究院);Yahoo Personalization Team(雅虎个性化团队)
个性化系统和推荐系统的任务之一是根据用户的个人兴趣显示内容项。为了实现这样的目标,这些系统随着时间的推移学习用户兴趣,并且尝试呈现针对用户简档定制的内容项。根据用户的偏好推荐商品在过去几年中得到了广泛的研究,这主要归功于Netflix竞争的流行。在真实环境中,用户可能会被这些项目的子集所吸引并与它们进行交互,只留下部分反馈给系统,以便在下一个周期中学习,这会导致系统出现重大偏差,从而导致用户参与度指标无法随着时间的推移而改善的情况。问题不仅仅是系统的一个组成部分。从用户收集的数据通常用于许多不同的任务,包括学习排名功能,构建用户简档和构建内容分类器。一旦数据出现偏差,所有这些下游用例也会受到影响。因此,通过用户交互收集无偏见的数据将是有益的。传统上,无偏的数据汇集是通过显示从内容池中均匀采样的项来完成的。然而,这种简单的方案是不可行的,因为它会危及用户参与度指标,并且需要很长时间来收集用户反馈。在本文中,我们介绍了一个用户友好的无偏数据汇集框架,利用开发和勘探文献中开发的方法。我们讨论的框架是如何不同于正常的多臂强盗问题,为什么需要这样的方法。为了有效地平衡用户体验和数据汇集,我们设计了一种新的伯努利排序列表的汤普森抽样。该方法是从一个真正的桶测试验证,我们表现出强大的结果相比,旧的算法
2016-04-12 cs.IR cs.LG
Recommending to Strategic Users
推荐系统在数字经济中无处不在。在许多部署的系统中,一个重要的假设是用户消费反映了静态意义上的用户偏好:用户消费他们喜欢的内容,没有其他考虑。然而,正如我们在一项大规模在线调查中所记录的那样,用户确实会有策略地选择内容,以影响他们未来获得推荐的内容类型。我们将这种用户行为建模为推荐系统和用户之间的两阶段噪声信号博弈:推荐系统最初承诺推荐策略,在冷启动阶段向用户呈现内容,用户选择战略性消费以影响他们将在推荐阶段推荐的内容类型。我们表明,在平衡,用户从事的行为,强调他们的差异,不同的偏好配置文件的用户。此外,(统计上的)少数群体由于担心失去他们的少数群体内容展示,可能不会消费主流用户喜欢的内容。接下来,我们提出三种可能提高推荐质量的干预措施(平均和少数群体)在考虑战略消费时:(1)采用一种推荐系统策略,该策略使用来自先验的偏好,(2)与普遍喜欢的用户进行通信,(“主流”)内容将不被用作推荐的基础,以及(3)提供足够个性化但期望在开始时被喜欢的内容。最后,我们描述了一种方法,通知应用理论建模与调查结果。
2023-02-13 cs.CY cs.GT cs.IR
Beyond Classification: Latent User Interests Profiling from Visual Contents Analysis
Cornell Tech(康奈尔科技校区);University of California, Los Angeles(加州大学洛杉矶分校)
用户偏好分析是现代在线社交网络(OSN)中的一项重要任务。随着以图像为中心的社交平台(如Pinterest)的激增,视觉内容已成为了解用户偏好的最具信息性的数据流之一。传统的方法通常将视觉内容分析视为一般的分类问题,其中为每个图像分配一个或多个标签。尽管这种方法简化了图像分析的过程,但它错过了丰富的上下文和视觉线索,而这些上下文和视觉线索在人们对图像的感知中发挥着重要作用。在本文中,我们探讨了学习用户的潜在视觉偏好直接从图像内容的可能性。提出了一种基于深度卷积神经网络(CNN)的距离度量学习方法,直接从视觉内容中提取相似性信息,并使用导出的距离度量挖掘个体用户的细粒度视觉偏好。通过我们使用来自5,790名Pinterest用户的数据进行的初步实验,我们表明即使对于同一类别中的图像,每个用户也具有不同的和可识别的视觉偏好,这些偏好在他们的一生中是一致的。我们的研究结果强调了细粒度视觉偏好分析在理解用户偏好方面的未开发潜力。
2015-12-21 cs.CV cs.IR cs.SI
Deep Content-User Embedding Model for Music Recommendation
KAIST(韩国科学技术院);NAVER corp.(NAVER公司)
最近,基于深度学习的推荐系统已经被积极地探索以使用混合方法来解决冷启动问题。然而,大多数以前的研究提出了一种混合模型,其中协同过滤和基于内容的过滤模块是独立训练的。端到端方法将不同的模态数据作为输入并联合训练模型可以提供更好的优化,但尚未得到充分的探索。在这项工作中,我们提出了深度内容用户嵌入模型,一个简单而直观的架构,结合了用户项交互和音乐音频内容。我们评估模型上的音乐推荐和音乐自动标记任务。结果表明,该模型显着优于以前的工作。我们还讨论了各种方向,以进一步改善所提出的模型。
2018-07-18 cs.IR cs.LG cs.MM
On Content-Based Recommendation and User Privacy in Social-Tagging Systems
基于注释和评级的推荐系统和内容过滤方法基本上依赖于用户通过他们的动作表达他们的偏好和兴趣,以便提供个性化内容。这种用户集体参与的活动被称为社会标签。虽然它为语义Web上的应用程序互操作性开辟了无数新的可能性,但它也带来了新的隐私威胁。社交标签包括通过使用自由文本标签(即标签)来描述在线或在线资源,因此将用户的个人资料和活动暴露给隐私攻击。标签伪造是一种隐私增强技术,包括为不反映用户实际偏好的类别或资源生成标签。标签伪造通过修改用户的个人资料,可能会对推荐系统的质量产生负面影响,从而在一定程度上保护用户隐私,但代价是效用损失。因此,标签伪造对基于内容的推荐的影响,在现实世界中的应用场景中,不同的伪造策略进行评估,并测量和比较随之而来的效用损失。
2016-05-20 cs.CR cs.CY cs.IR
Fatigue-aware Bandits for Dependent Click Models
University of California, Berkeley(加州大学伯克利分校);IBM Research(IBM研究院)
当推荐系统发送大量内容以保持用户参与时,用户可能会经历疲劳,这是由以下因素造成的:1)过度浏览不相关的内容,2)看到太多类似的推荐而感到无聊。为了解决这个问题,我们考虑一个在线学习设置,其中平台学习一个策略来推荐考虑用户疲劳的内容。我们提出了一个扩展的依赖点击模型(DCM)来描述用户的行为。我们规定,对于每一个内容,其对用户的吸引力取决于其内在的相关性和折扣系数,衡量有多少类似的内容已经显示。用户按顺序查看推荐的内容,并点击他们认为有吸引力的内容。用户随时可能离开平台,不喜欢内容时退出的概率更高。基于用户的反馈,平台学习底层内容的相关性以及由于内容疲劳而产生的折扣效果。我们把这个学习任务称为“疲劳感知DCM Bandit”问题。我们考虑两个学习场景,这取决于贴现效应是否已知。对于每一种情况下,我们提出了一个学习算法,同时探索和利用,并表征其遗憾界。
2020-08-22 cs.IR cs.LG stat.ML
SocFedGPT: Federated GPT-based Adaptive Content Filtering System Leveraging User Interactions in Social Networks
Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校);University of Texas at El Paso(德克萨斯大学埃尔帕索分校)
本文提出SocFedGPT系统,通过联邦学习框架融合个性化GPT和社交媒体LLM,结合用户画像、社交参与度量化及矩阵分解实现隐私保护的实时内容过滤与个性化推荐。
2024-08-07 cs.DC cs.IR cs.LG
SoMin.ai: Personality-Driven Content Generation Platform
ITMO University(圣彼得堡国立信息技术机械与光学大学);SoMin.ai Research(SoMin.ai研究院);National University of Singapore(新加坡国立大学)
在这个技术演示中,我们展示了世界上第一个个性化驱动的营销内容生成平台,称为SoMin.ai。该平台结合了深度多视角人格分析框架和风格生成对抗网络,有助于自动创建吸引不同人格类型的内容。该平台可用于增强社交网络用户体验以及用于内容营销例程。在MBTI人格类型的指导下,SoMin.ai根据具有类似人格类型的其他用户的偏好生成新的社交媒体内容,旨在增强社交网络场所的用户体验,并在为数字营销活动制作新内容时使营销人员的努力多样化。通过平台的GUI的实时用户反馈到平台微调的内容生成模型和评价结果表明,所提出的多视角个性分析框架时,被应用在内容生成场景中的有前途的性能。通过大规模利用内容生成,营销人员将能够以更低的成本执行更有效的数字营销活动。
2021-01-17 cs.IR cs.LG cs.MM
TweetInfo: An Interactive System to Mitigate Online Harm
针对社交媒体仇恨言论与错误信息问题,本文提出交互式系统 TweetInfo,通过内容分析和多维元信息过滤帮助用户自定义时间线,从而减少有害内容消费。
2024-03-03 cs.HC cs.IR cs.SI
Can Users Fix Algorithms? A Game-Theoretic Analysis of Collective Content Amplification in Recommender Systems
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文研究了用户通过集体互动对抗推荐算法的机制,发现集体策略可提升推荐质量和用户福利,同时改善推荐系统自身效益。
2026-02-12 cs.CY cs.GT cs.HC
Automatic Organisation, Segmentation, and Filtering of User-Generated Audio Content
仅使用通过音频指纹技术检索的信息,我们提出了处理用户生成的音频内容的可能大的数据集的方法,其(1)使得能够对包含共同音频摘录的若干音频文件进行分组(即,是相对于同一事件的),以及(2)给出关于这些文件在每个事件内的时间和质量方面如何相关的信息。此外,我们使用监督学习来检测可能由音频指纹识别算法本身引起的不正确匹配,同时确保我们的模型使用以前的预测进行学习。所有提出的方法进一步验证了用户生成的几个不同的音乐会手动从YouTube上抓取的录音。
2017-08-17 cs.IR cs.MM cs.SD
Preference Dynamics Under Personalized Recommendations
Cornell University(康奈尔大学);The University of Washington(华盛顿大学);Google(谷歌)
许多项目(包括实践和学术)都设计了算法来匹配用户和他们喜欢的内容,假设用户的偏好和意见不会随着他们看到的内容而改变。有证据表明,个人的偏好直接受到他们所看到的内容的影响--激进化、兔子洞、两极分化和无聊都是受内容影响的偏好现象。极化尤其可能发生在具有“大众媒体”的生态系统中,在那里没有个性化发生,正如最近由~ \citet{hkazla2019geometric}和~ \citet{gaitonde2021polarization}在偏好动态的自然模型中所探索的那样。如果所有用户的偏好都被吸引到他们已经喜欢的内容上,或者被他们已经不喜欢的内容所排斥,那么媒体的统一消费会导致异质偏好的群体只向两极收敛。在这项工作中,我们探讨是否会出现一些类似于极化的现象,当用户收到\emph{personalized}内容推荐。我们使用类似的偏好动态模型,其中个人的偏好朝向消费和享受的内容移动,远离他们消费和不喜欢的内容。我们表明,标准的用户奖励最大化是一个几乎微不足道的目标,在这样的环境中(一大类简单的算法将实现只有不断的遗憾)。那么,一个更有趣的目标是了解在什么条件下推荐算法可以确保用户偏好的平稳性。我们展示了如何设计一个内容推荐,它可以实现近似平稳,在温和的条件下的一组可用的内容,当用户的喜好是已知的,以及如何可以了解足够的用户的喜好,即使用户的喜好最初是未知的,以实现这样的策略。
2022-05-25 cs.GT cs.IR cs.LG