[論文レビュー] Supply-Side Equilibria in Recommender Systems

Meena Jagadeesan, Nikhil Garg+1 more|arXiv (Cornell University)|Jun 27, 2022

Consumer Market Behavior and Pricing被引用数 6

ひとこと要約

本稿は、パーソナライズドレコメンデーションシステムにおけるサプライサイド均衡のゲーム理論的モデルを提示する。生産者は、ユーザーの推薦数から生産コストを差し引いた利益を最大化するために、多次元のコンテンツを戦略的に作成する。本稿では、ユーザーの多様性が高く、多次元的生産が費用対効果に優れる場合、生産者が異なるユーザー層に焦点を当てる特化が生じることを示し、それが正の利益と市場競争の低下をもたらすことを明らかにする。

ABSTRACT

Algorithmic recommender systems such as Spotify and Netflix affect not only consumer behavior but also producer incentives. Producers seek to create content that will be shown by the recommendation algorithm, which can impact both the diversity and quality of their content. In this work, we investigate the resulting supply-side equilibria in personalized content recommender systems. We model users and content as $D$-dimensional vectors, the recommendation algorithm as showing each user the content with highest dot product, and producers as maximizing the number of users who are recommended their content minus the cost of production. Two key features of our model are that the producer decision space is multi-dimensional and the user base is heterogeneous, which contrasts with classical low-dimensional models. Multi-dimensionality and heterogeneity create the potential for specialization, where different producers create different types of content at equilibrium. Using a duality argument, we derive necessary and sufficient conditions for whether specialization occurs: these conditions depend on the extent to which users are heterogeneous and to which producers can perform well on all dimensions at once without incurring a high cost. Then, we characterize the distribution of content at equilibrium in concrete settings with two populations of users. Lastly, we show that specialization can enable producers to achieve positive profit at equilibrium, which means that specialization can reduce the competitiveness of the marketplace. At a conceptual level, our analysis of supply-side competition takes a step towards elucidating how personalized recommendations shape the marketplace of digital goods, and towards understanding what new phenomena arise in multi-dimensional competitive settings.

研究の動機と目的

• アルゴリズムによるレコメンデーションがデジタルコンテンツ市場における生産者のインセンティブをどのように形作るかを理解すること。
• パーソナライズドレコメンデーションシステムにおける可視性をめぐる競争において、コンテンツ生産者の戦略的行動をモデル化すること。
• 多次元的コンテンツ生産において特化が生じる条件を特定すること。
• 生産者のコスト構造とユーザーの好みの多様性が市場の結果に与える影響を分析すること。
• 特化が正の利益と市場競争の低下をもたらすかどうかを特定すること。

提案手法

• ユーザーとコンテンツを R≥0^D 内の D 次元ベクトルとしてモデル化し、ユーザー価値を内積 ⟨u, p⟩ で定義する。
• レコメンデーションアルゴリズムを、各ユーザーに対して内積が最大となるコンテンツを選択するものとして表現する。
• 生産者のユーティリティを、自らのコンテンツが推薦されるユーザー数からコスト c(p) = ||p||^β を差し引いたものとして定式化する。
• 双対性の議論を用いて、均衡における特化の必要十分条件を導出する。
• 2つのユーザー集団を想定した設定において、コスト指数 β を変化させた場合の均衡におけるコンテンツ分布を分析する。
• 幾何学的および凸解析を用いて、均衡におけるコンテンツベクトルのサポートと累積分布関数を特徴付ける。

実験結果

リサーチクエスチョン

• RQ1 パーソナライズドレコメンデーションアルゴリズム下で、多次元的コンテンツ生産において特化が生じる条件は何か？
• RQ2 コスト構造（具体的には ||p||^β 内の β）が特化の発生と市場競争性に与える影響は何か？
• RQ3 均衡において生産者は正の利益を達成可能か？ もしそうなら、どのような条件下で達成されるか？
• RQ4 ユーザーの好みの多様性は、均衡におけるコンテンツタイプの分布にどのように影響するか？
• RQ5 コンテンツ空間の次元数は、サプライサイド均衡をどのように規定するか？

主な発見

• ユーザーの多様性が高く、生産者が低コストで複数の次元で高いパフォーマンスを発揮できる場合、双対性条件によって形式化されるように、特化が生じる。
• β が増加するに従い、相転移が発生する：低 β の場合、単一ジャンルの均衡が生じるが、高 β の場合、無限に多くのジャンルが出現し、特化が顕著になる。
• Q < (1/N)^(P/β) の条件下で、均衡において正の利益が達成可能である。ここで Q はユーザー群間の最小ユーザー価値を測る指標であり、N はユーザー数を表す。
• 均衡におけるコンテンツベクトルの分布は、純粋な垂直的差別または純粋な水平的差別を示し、||p|| の累積分布関数は、多ジャンル均衡では段階関数となる。
• 均衡分布 μ のサポートには p = 0 が含まれており、これはゼロ利益をもたらすことを示し、すべての行動が同じユーティリティをもたらす場合、ゼロ利益が均衡と整合的であることを確認する。
• 特化は市場競争性を低下させる。なぜなら、対称的な設定下でも生産者が正の利益を獲得可能となるからであり、標準モデルにおけるゼロ利益競争の仮定に反する。