[论文解读] How Bad is Top-$K$ Recommendation under Competing Content Creators?

Yao Fan, Chuanhao Li+3 more|arXiv (Cornell University)|Feb 3, 2023

Advanced Bandit Algorithms ResearchDecision Sciences被引用 3

一句话总结

本文研究了在顶级-$K$ 推荐平台中，战略性内容创作者对社会福利的影响，通过随机效用用户选择和无后悔学习的博弈论框架对他们的竞争进行建模。结果表明，无效率损失价格（Price of Anarchy）被限制在 $1 + O(1/\log K)$ 以内，这意味着当 $K$ 较大且用户选择包含适度随机性时，效率接近最优，证明了在现实假设下以相关性为导向的推荐机制具有鲁棒性。

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.

研究动机与目标

• 理解内容创作者的战略行为如何影响顶级-$K$ 推荐平台上的用户福利。
• 评估在创作者竞争和用户选择随机性存在的情况下，以相关性为导向的推荐机制的效率。
• 在关于用户行为和创作者激励的现实假设下，通过无效率损失价格（Price of Anarchy）刻画社会福利的保障程度。
• 研究当创作者使用无后悔学习算法以最大化参与度时，顶级-$K$ 推荐策略是否仍保持有效性。
• 评估平台设计——特别是推荐数量 $K$ 以及创作者激励与用户参与度的一致性——对长期系统效率的影响。

提出的方法

• 将平台建模为使用已知相关性函数对内容进行排序的顶级-$K$ 推荐系统。
• 假设用户遵循随机效用模型，并采用 Gumbel 分布噪声来模拟随机选择行为。
• 将内容创作者表示为游戏中的参与者，他们使用任意无后悔学习算法自适应地选择内容策略。
• 通过无效率损失价格（Price of Anarchy）分析均衡结果，量化因自私行为导致的社会福利损失。
• 在用户决策中存在适度随机性以及基于参与度的激励条件下，推导出无效率损失价格的上界为 $1 + O(1/\log K)$。
• 通过合成数据和真实世界数据模拟验证理论结果，包括在不同创作者数量下对内容类型分布的分析。

实验结果

研究问题

• RQ1 在战略性内容创作下，顶级-$K$ 推荐系统中的社会福利如何退化？
• RQ2 当创作者使用无后悔学习算法竞争用户参与度时，最坏情况下的效率损失（以无效率损失价格衡量）是多少？
• RQ3 用户选择中的随机性如何影响顶级-$K$ 推荐的效率？
• RQ4 即使存在战略性创作者，随着推荐项目数量 $K$ 增加，无效率损失价格是否会改善？
• RQ5 当创作者激励与用户参与度或平台目标不一致时，社会福利会发生什么变化？

主要发现

• 在战略性创作者影响下的顶级-$K$ 推荐机制的无效率损失价格被上界限制在 $1 + O(1/\log K)$，表明当 $K$ 较大时效率接近最优。
• 该上界是紧的，通过构造一个与渐近速率匹配的下界实例得到验证。
• 即使在动态、基于学习的环境中，福利损失仍严格受限于一个依赖于 $K$ 和用户选择随机性的常数。
• 模拟结果表明，随着创作者数量 $n$ 增加，内容分布变得更加多样化且更接近最优，从而提升社会福利。
• 当创作者在其学习策略中采用更高的探索率 ($\epsilon$) 时，内容极化现象（如热门类型过度生产）会减少。
• 理论边界在无后悔学习下依然成立，证实即使在有限理性的创作者中，均衡状态下也能实现高效结果。