장기 제약이 있는 순위 매기기

사용자들이 선택(예: 클릭, 구매)을 통해 제공하는 피드백은 검색 및 추천 알고리즘 훈련에 쉽게 접근할 수 있는 가장 일반적인 데이터 유형 중 하나입니다. 그러나 선택 데이터에 기반하여 단기적으로 시스템을 훈련시키는 것은 단기적인 참여도는 개선할 수 있지만 플랫폼의 장기적인 지속 가능성과 사용자, 콘텐츠 제공자, 기타 이해관계자에게 미치는 장기적인 혜택은 향상시키지 못할 수 있습니다. 따라서 이 논문에서는 의사 결정자(예: 플랫폼 운영자, 규제 기관, 사용자)가 플랫폼 행동의 장기 목표(예: 공정성, 수익 분배, 법적 요구 사항)를 표현할 수 있는 새로운 프레임워크를 개발합니다. 이러한 목표는 개별 세션을 넘어서는 노출 또는 영향 목표의 형태를 취하며, 우리는 이러한 목표를 달성하기 위한 새로운 제어 기반 알고리즘을 제공합니다. 특히, 제어기는 단기 참여에 미치는 영향을 최소화하면서 명시된 장기 목표를 달성하도록 설계되었습니다. 제어기의 원칙적으로 기초한 이론적 도출을 넘어, 우리는 합성 및 실제 데이터에서 알고리즘을 평가합니다. 모든 제어기가 잘 작동하지만, 효율성, 견고성 및 사전 계획 능력에서 흥미로운 트레이드오프를 제공함을 알게 됩니다.