精度を超えて：長期的なユーザー維持のための偶然性と新規性の推奨事項の受け入れ

Recommendations for Serendipity and Novelty to Ensure Long-Term User Retention Beyond Accuracy.

レコメンデーションシステム

良いレコメンデーションと長期的なユーザー維持に貢献する要因の検討

コーヒーショップで形成された信頼の絆

あなたはコーヒーショップに座って、お気に入りのコーヒーバリエーション（もちろんカプチーノ）を味わい、友人との会話に没頭しています。会話が流れる中で、最新の魅力的なテレビシリーズの話題に移ります。共有された興奮が信頼の絆を生み出し、友人があなたに向かって「次に何を見たらいいですか？何かお勧めはありますか？」と尋ねるようになります。

その瞬間、あなたは彼らのエンターテイメント体験のキュレーターになります。あなたは彼らの信頼を保つ責任を感じ、彼らを魅了する保証された提案を提供することが求められます。さらに、彼らが以前に探求したことのないジャンルやストーリーラインに触れることができるかもしれないという機会に興奮しています。

しかし、友人に完璧なお勧めを考える際に影響を与える要因は何でしょうか？

良いレコメンデーションの要素

まず、友人の好みや興味に関する理解に基づいています。複雑なプロットの展開やダークユーモアに対する彼らの嗜好を思い出し、彼らが「Sherlock」のようなクライムドラマや「Black Mirror」のような心理スリラーを楽しんでいたことを知っています。この知識を武器に、あなたはテレビ番組のメンタルライブラリーをナビゲートします。

• Python から Julia へ：特徴量エンジニアリングと機械学習
• 人間の脳血管のアトラスは、アルツハイマー病における変化を強調します
• 混乱するデータサイエンティストのためのPATH変数：管理方法

安全なプレイをする？

友人にほぼ同一のリストを提案することに誘惑されます。これは、あなたが前に絶賛していたものにほぼ同じものが含まれ、クライムとスリルの両方を包括しています。また、同様の好みを持つ他の人たちがこれらの番組を楽しんだことを考えます。結局、彼らはこのセットを楽しむことが「保証されている」ので、安全で簡単な選択肢です。しかし、過去のお気に入りに頼ることが、新しい多様なコンテンツに露出する機会を制限する可能性があることを考慮し、安全で簡単な選択肢に頼ることはしたくありません。

最近のサイファイシリーズを思い出します。それは巧妙にミステリー、アドベンチャー、超自然的な興味深いストーリーが融合しています。彼らの典型的なジャンルから外れているにもかかわらず、新鮮で魅力的なナラティブの変化を提供することができると自信を持っています。

ロングテール問題、フィードバックループ＆フィルターバブル

レコメンデーションシステムは、より大きな規模でこのプロセスを再現することを目指しています。個人の好み、行動、過去の経験に関する膨大な量のデータを分析することで、これらのシステムは、人間の意思決定の複雑さを包括する個人に合わせたレコメンデーションを生成しようと努めています。

しかし、従来のレコメンデーションシステムは、主に安全プレイに焦点を当て（少なくとも、短期的には）、保証されたレコメンデーションに頼っています。

彼らがこれを行う方法の1つは、人気や一般的なコンテンツに優先順位を付けることです。その結果、この人気のあるコンテンツは、より多くの露出と相互作用（人気バイアス）を受け、その優位性を強化するフィードバックループを生み出します。残念ながら、これにより、知られていない、またはニッチなコンテンツが目標の視聴者に到達するのを妨げる場合があります（ロングテール問題）。

実際、レコメンデーションシステムにおける「公平性」についての文献が最近数年間で多く出ています。たとえば、「音楽レコメンデーションシステムにおける公平性：ステークホルダー中心のミニレビュー」で、Karlijn DinnissenとChristine Bauerは、音楽レコメンデーションシステムにおける公平性の問題を探求しており、複数のステークホルダーの視点から人気バイアスやジェンダーフェアネスを分析しています。たとえば、人気バイアスがアーティストの表現に与える影響などが含まれます。

「音楽推薦アルゴリズムは多様性を重視するのか？」という記事で、ジュリー・ニブが以下を共有しています:

ストリーミングプラットフォームの元プロダクトディレクターとして、「ストリーミングサービスは、インディーズやニッチな音楽よりも人気のあるアーティストをプロモーションすることを選択するのか？」といった質問をよく受けます。直感的に、人々はこれらの大きなプラットフォームでは「富者がより富者になる」と考えています。

記事の後半では、ニブはディニッセンとバウアーの感情にも共感しています:

「音楽推薦の文脈においては、…公正性はしばしば露出や注目の形で定義されます。ストリーミングサービスは2面市場です。つまり、「公正で公正な扱い」はストリーミングサービスのユーザーとアーティストの両方に適用されなければなりません。」

両方のソースは、推奨システムの公平性の二重性を強調し、「公正で公正な扱い」の考慮の重要性を強調しています。

理想的な結果はどのようになりますか？

コンテンツの分配には本来的な不均衡が存在するため、人間の経験を豊かにするものの一つは、ネットワークの複雑さにあります。一部のコンテンツは広い観客に共感し、他のコンテンツはニッチなグループ内でのみつながりを形成し、豊かさと個人化感を形成します。目的は、一様な分布を目指すことで少数派のコンテンツを人々に浮上させ、コンテンツクリエイターの仕事を本当に理解し、評価できる人々に届けることにより、意義深いつながりの機会を最小限に抑えることです。

業界はこれについてどう言っていますか？

2020年、Spotifyの研究チームは、「Spotifyの消費の多様性に対するアルゴリズムの影響」という記事を発表しました。その研究では、リスニングの多様性とユーザーのアウトカムの関係を調べました。

彼らは、次のような問いに答えることを目的としていました。 「多様性は重要なユーザーアウトカムとどのような関係があるのか？多様性のあるリスニングをするユーザーは、狭くリスニングするユーザーよりも満足しているのか？」

研究者たちは、「多様なリスニングをするユーザーは、リスニングの少ないユーザーよりも10〜20パーセントポイントチャーンする可能性が低く、リスニングの多様性は ユーザーの変換と維持に関連している」と発見しました。

さらに、ジュリー・ニブによると:

「MITテクノロジーレビューによると、最近TikTokの推奨アルゴリズムがトップ10に挙げられました。彼らのアプローチで革新的なのは、アルゴリズム自体ではなく、多様性を他の要因よりも重視しているメトリックです。」

したがって、プラットフォーム内での発見可能性とユーザー維持の属性にはつながりがあります。言い換えると、推奨が予測可能になると、ユーザーはフィルターバブルの枠から抜け出し、コンテンツの「新鮮さ」を提供する代替プラットフォームを求める可能性があります。

では、どのようにして推奨システムが、友達に完璧な提案をキュレーションするときに行った思慮深さと直感を模倣できるのでしょうか？

多様性メトリックへのシフト

記事「推薦システムにおける正確さ以外の目標に関する調査と実証分析：多様性、セレンディピティ、新規性、カバレッジ」で、著者のマリウス・カミンスカスとデレック・ブリッジは以下を強調しています:

「推薦システムの研究は伝統的に正確さに焦点を当ててきました。しかし、リストの提供が多様であるか、新しいアイテムが含まれているかといった、他の推奨品質については、推奨システムの総合的な品質に重要な影響を与える可能性があることが認識されています。したがって、推奨システムの研究の焦点はより広範な「正確さ以外の」目標を含めるようになりました。」

これらの「正確さ以外の」目標とは何ですか？

多様性

友達にショーのおすすめをする文脈において、リコメンデーションシステムにおける「多様性」を理解するために、文献を調べることは困難でした。多様性は、個人レベルまたはグローバルレベルで測定することができます。次に、多様性を概念化するための3つの方法を説明します。