[论文解读] A Game-Theoretic Approach to Recommendation Systems with Strategic Content Providers

Omer Ben-Porat, Moshe Tennenholtz|arXiv (Cornell University)|Jun 4, 2018

Advanced Bandit Algorithms ResearchDecision Sciences被引用 21

一句话总结

本文提出了Shapley代理机制（Shapley mediator），一种基于博弈论的推荐系统，通过使用Shapley值计算战略内容提供者的最优展示概率，确保公平性和稳定性。它是唯一能同时满足公平性、稳定性（通过纯纳什均衡实现）和经济效率的机制，且运行时间线性，用户效用表现优于传统系统。

ABSTRACT

We introduce a game-theoretic approach to the study of recommendation systems with strategic content providers. Such systems should be fair and stable. Showing that traditional approaches fail to satisfy these requirements, we propose the Shapley mediator. We show that the Shapley mediator fulfills the fairness and stability requirements, runs in linear time, and is the only economically efficient mechanism satisfying these properties.

研究动机与目标

• 解决内容提供者为最大化曝光而采取策略行为时推荐系统面临的公平性和稳定性挑战。
• 识别传统推荐系统在无法确保公平性和均衡稳定性方面的局限性。
• 设计一种机制，使多利益相关者推荐环境中同时满足公平性、稳定性和经济效率。
• 证明Shapley代理机制是唯一同时满足公平性、稳定性和效率三个标准的机制。
• 展示Shapley代理机制在计算可处理性方面优于传统方法，并在用户效用方面表现更优。

提出的方法

• 将推荐系统建模为合作博弈，其中内容提供者的收益与用户满意度挂钩。
• 应用Shapley值作为公平分配机制，以确定内容提供者的最优展示概率。
• 证明Shapley代理机制具有潜在函数，确保更好响应动态收敛至纯纳什均衡。
• 将模型扩展至个性化推荐场景，其中每个提供者可提供多个项目，系统选择使用户满意度最大化的项目。
• 通过项目集合到资源区间的单射映射，将多项目策略纳入博弈论框架进行建模。
• 采用数值优化分析用户效用和无效率价格（price of anarchy），表明Shapley代理机制能保持较高的用户满意度。

实验结果

研究问题

• RQ1 当内容提供者采取策略行为时，传统推荐系统能否确保公平性和稳定性？
• RQ2 何种机制设计原则可确保多利益相关者推荐系统中的公平性、稳定性和经济效率？
• RQ3 是否存在唯一一个机制能同时满足公平性、稳定性和效率？
• RQ4 与传统系统相比，Shapley代理机制在用户效用方面表现如何？
• RQ5 在实际应用中，实现Shapley代理机制的计算复杂度是多少？

主要发现

• Shapley代理机制是唯一能同时满足公平性、稳定性（通过纯纳什均衡实现）和经济效率的机制。
• Shapley代理机制运行时间为线性时间，尽管在一般情况下Shapley值计算是难以处理的，但该机制仍具有计算高效性。
• 系统确保用户效用至少达到最优可能值的56.8%，意味着无效率价格（price of anarchy）至多为1.761。
• 数值分析确认，对于任意用户数n，Shapley代理机制下的用户效用均超过0.568n，表明性能表现强劲。
• 通过潜在函数，Shapley代理机制维持稳定性，确保更好响应学习动态收敛至均衡。
• 即使内容提供者可提供多个项目，该机制依然有效且成立，Shapley值计算在个性化选择下保持不变。