[论文解读] Patterns of Multistakeholder Recommendation

Robin Burke, Himan Abdollahpouri|arXiv (Cornell University)|Jul 28, 2017

Recommender Systems and Techniques参考文献 32被引用 6

一句话总结

本文通过建模三类利益相关方——消费者、提供方和平台——的个性化或中性效用偏好，提出了一套全面的多利益相关方推荐系统分类体系。该研究构建了一个2×4×3的设计可能性矩阵，识别出如平台目标型（Sₜ）和平台聚合型（Sₐ）效用等尚未充分探索的配置，并强调未来研究需拓展至公平性、教育和健康等应用领域，超越传统的以用户为中心的模型。

ABSTRACT

Recommender systems are personalized information systems. However, in many settings, the end-user of the recommendations is not the only party whose needs must be represented in recommendation generation. Incorporating this insight gives rise to the notion of multistakeholder recommendation, in which the interests of multiple parties are represented in recommendation algorithms and evaluation. In this paper, we identify patterns of stakeholder utility that characterize different multistakeholder recommendation applications, and provide a taxonomy of the different possible systems, only some of which have currently been implemented.

研究动机与目标

• 为应对日益增长的需求，即推荐系统需考虑除最终用户外的其他利益相关方，包括提供方和平台。
• 识别并分类多利益相关方推荐系统中利益相关方效用的多样化配置。
• 通过结构化的2×4×3矩阵形式，形式化多利益相关方推荐系统的设计空间，涵盖消费者/提供方/平台的效用类型。
• 突出尚未充分探索的配置，特别是Sₜ（目标导向型）和Sₐ（聚合型）平台效用，呼吁未来在公平性、教育和健康等领域的研究。
• 将多利益相关方推荐系统的评估标准从传统的以用户为中心的指标，扩展至平台目标、公平性及教育目标等维度。

提出的方法

• 提出使用三元组符号⟨C, P, S⟩表示消费者（C）、提供方（P）和平台（S）的效用偏好，其中每个组件被分类为中性（n）或个性化（p）。
• 基于消费者与提供方效用组合（被动−或主动+）对推荐类型进行分类，共产生16种可能的配置。
• 引入三种平台效用类型：Sₙ（中性）、Sₐ（聚合效用，如利润）、Sₜ（目标导向效用，如公平性或课程一致性目标）。
• 通过现实世界案例（如职位匹配、在线广告和教育平台）说明不同配置在实际中的表现形式。
• 运用多边平台理论和多目标优化原则构建设计空间框架，强调领域特定约束与利益相关方之间的相互依赖性。
• 通过该分类体系分析现有系统，发现仅有两种配置（⟨Cₚ⁻, Pₙ⁻, Sₙ⟩ 和 ⟨Cₚ⁻, Pₚ⁻, Sₙ⟩）获得了广泛的研究关注。

实验结果

研究问题

• RQ1 定义多利益相关方推荐系统的关键利益相关方效用配置有哪些？
• RQ2 消费者、提供方和平台的效用偏好组合如何塑造多利益相关方推荐系统的设计空间？
• RQ3 为何仅有部分可能的多利益相关方配置获得了显著的研究关注？这对未来系统开发有何影响？
• RQ4 平台效用（超越中性）在推荐算法中如何被有意义地整合，特别是在公平性和教育等领域的应用？
• RQ5 当不同利益相关方的目标发生冲突时（如用户偏好、提供方利益与平台目标），多利益相关方推荐系统应如何评估？

主要发现

• 多利益相关方推荐系统空间最适切的表达方式为2×4×3的配置矩阵，但其中仅一小部分（尤其是涉及Sₐ和Sₜ平台效用的配置）在研究中被探索。
• 最常被研究的配置是⟨Cₚ⁻, Pₙ⁻, Sₙ⟩ 和 ⟨Cₚ⁻, Pₚ⁻, Sₙ⟩，即推荐系统个性化地服务于消费者，但对提供方和平台保持中性。
• 平台效用正越来越多地被建模为非中性（Sₙ），而是作为聚合型（Sₐ，如广告中的利润最大化）或目标导向型（Sₜ，如教育中的公平性或课程一致性目标）。
• 现实世界系统如谷歌的广告拍卖机制和OpenTable的预订系统表明，平台效用可被嵌入推荐逻辑中，即使未明确标注为平台目标。
• 新兴领域如教育和健康正推动Sₜ设计的发展，其中平台的战略目标（如实现公平结果）超越了对利益相关方效用的简单聚合。
• 该分类体系揭示了在平衡个性化消费者与提供方偏好及平台目标方面存在显著的研究空白，尤其是在公平性感知和教育导向的推荐系统中。