[논문 리뷰] How Bad is Top-$K$ Recommendation under Competing Content Creators?

Yao Fan, Chuanhao Li외 3명|arXiv (Cornell University)|2023. 02. 03.

Advanced Bandit Algorithms ResearchDecision Sciences인용 수 3

한 줄 요약

이 논문은 전략적 콘텐츠 창작자가 상위-$K$ 추천 플랫폼에서 미치는 사회적 복지 영향을 연구한다. 게임 이론적 프레임워크를 사용하여 사용자 선택이 랜덤 유용성 기반이고, 무실수 학습(No-regret learning)이 적용된 상황에서의 경쟁을 모델링한다. 이는 가격의 악화(Price of Anarchy)가 $1 + O(1/\log K)$로 유계임을 보여주며, $K$가 크고 사용자 선택이 약간의 무작위성을 포함할 경우 근사 최적의 효율성을 보임을 시사한다. 이는 현실적인 가정 하에 관련성 기반 추천의 강건성을 입증한다.

ABSTRACT

Content creators compete for exposure on recommendation platforms, and such strategic behavior leads to a dynamic shift over the content distribution. However, how the creators' competition impacts user welfare and how the relevance-driven recommendation influences the dynamics in the long run are still largely unknown. This work provides theoretical insights into these research questions. We model the creators' competition under the assumptions that: 1) the platform employs an innocuous top-$K$ recommendation policy; 2) user decisions follow the Random Utility model; 3) content creators compete for user engagement and, without knowing their utility function in hindsight, apply arbitrary no-regret learning algorithms to update their strategies. We study the user welfare guarantee through the lens of Price of Anarchy and show that the fraction of user welfare loss due to creator competition is always upper bounded by a small constant depending on $K$ and randomness in user decisions; we also prove the tightness of this bound. Our result discloses an intrinsic merit of the myopic approach to the recommendation, i.e., relevance-driven matching performs reasonably well in the long run, as long as users' decisions involve randomness and the platform provides reasonably many alternatives to its users.

연구 동기 및 목표

• 전략적 행동을 보이는 콘텐츠 창작자가 상위-$K$ 추천 플랫폼에서 사용자 복지에 미치는 영향을 이해하는 것.
• 사용자 선택의 무작위성과 창작자 간 경쟁이 존재할 때 관련성 기반 추천의 효율성을 평가하는 것.
• 사용자 행동과 창작자 인centives에 대한 현실적인 가정 하에서 사회적 복지 보장을 가격의 악화(Price of Anarchy)를 통해 특성화하는 것.
• 창작자가 참여도를 극대화하기 위해 무실수 학습 알고리즘을 사용할 때 상위-$K$ 추천 정책이 여전히 효과적인지 조사하는 것.
• 플랫폼 설계, 특히 추천 항목 수 $K$와 창작자 인센티브가 사용자 참여도와 일치하는지 여부가 장기적 시스템 효율성에 미치는 영향을 평가하는 것.

제안 방법

• 콘텐츠를 순위 매기는 데 알려진 관련성 함수를 사용하는 상위-$K$ 추천 시스템으로 플랫폼을 모델링한다.
• 사용자가 Gumbel 분포를 가진 노이즈를 포함한 랜덤 유용성 모델을 따르며, 이는 확률적 선택 행동을 모델링한다.
• 콘텐츠 창작자를 게임의 플레이어로 모델링하며, 임의의 무실수 학습 알고리즘을 사용해 전략을 적응적으로 선택한다.
• 자기 이기적 행동으로 인한 사회적 복지 손실을 측정하기 위해 가격의 악화(Price of Anarchy)를 사용해 균형 결과를 분석한다.
• 사용자 결정의 약간의 무작위성과 참여도 기반 인센티브 하에서 가격의 악화에 대한 상한선을 유도한다: $1 + O(1/\log K)$.
• 합성 및 실제 데이터 시뮬레이션을 통해 이론적 결과를 검증하며, 창작자 수 변화에 따른 장르 분포 분석도 포함한다.

실험 결과

연구 질문

• RQ1 전략적 콘텐츠 창작이 있을 경우 상위-$K$ 추천 시스템의 사회적 복지는 어떻게 악화되는가?
• RQ2 창작자가 무실수 학습을 사용해 참여도를 높이기 위해 경쟁할 때, 가격의 악화로 측정된 최악의 효율 손실은 얼마인가?
• RQ3 사용자 선택에 무작위성이 포함될 경우 상위-$K$ 추천의 효율성은 어떻게 영향을 받는가?
• RQ4 창작자가 전략적으로 행동하더라도 추천 항목 수 $K$가 증가함에 따라 가격의 악화가 개선되는가?
• RQ5 창작자 인센티브가 사용자 참여도 또는 플랫폼 목표와 일치하지 않을 경우 사회적 복지는 어떻게 변화하는가?

주요 결과

• 전략적 창작자가 존재하는 상위-$K$ 추천에 대한 가격의 악화는 $1 + O(1/\log K)$로 상한선이 존재하며, 이는 $K$가 클 경우 근사 최적의 효율성을 의미한다.
• 이 상한선은 구축된 하한 예시를 통해 타당성이 입증되었으며, 渐近적 비율과 일치함을 보였다.
• 심지어 동적인 학습 기반 환경에서도 복지 손실은 $K$와 사용자 선택의 무작위성에 따라 결정되는 작은 상수로 엄격히 유계이다.
• 시뮬레이션 결과 창작자 수 $n$이 증가함에 따라 콘텐츠 분포가 더 다양해지고 최적에 가까워지며, 사회적 복지가 향상됨을 보였다.
• 창작자들이 학습 전략에서 높은 탐색 비율($\epsilon$)을 사용할 경우, 인기 장르의 과잉 생산과 같은 콘텐츠 극단화 현상이 감소함을 확인했다.
• 이론적 상한선은 무실수 학습 하에서도 유지되며, 이는 제한된 이성성을 가진 창작자들도 균형 상태에서 효율적인 결과를 달성할 수 있음을 확인한다.