مقاله تطبیق کاربران و سازندگان در بازارهای دو طرفه با عزیمت ها

چکیده

Many online platforms of today, including social media sites, are two-sided markets bridging content creators and users. Most of the existing literature on platform recommendation algorithms largely focuses on user preferences and decisions, and does not simultaneously address creator incentives. We propose a model of content recommendation that explicitly focuses on the dynamics of user-content matching, with the novel property that both users and creators may leave the platform permanently if they do not experience sufficient engagement. In our model, each player decides to participate at each time step based on utilities derived from the current match: users based on alignment of the recommended content with their preferences, and creators based on their audience size. We show that a user-centric greedy algorithm that does not consider creator departures can result in arbitrarily poor total engagement, relative to an algorithm that maximizes total engagement while accounting for two-sided departures. Moreover, in stark contrast to the case where only users or only creators leave the platform, we prove that with two-sided departures, approximating maximum total engagement within any constant factor is NP-hard. We present two practical algorithms, one with performance guarantees under mild assumptions on user preferences, and another that tends to outperform algorithms that ignore two-sided departures in practice.

چکیده به فارسی (ترجمه ماشینی)

بسیاری از سیستم عامل های آنلاین امروزه ، از جمله سایت های رسانه های اجتماعی ، بازارهای دو طرفه هستند که سازندگان محتوا و کاربران را پل می کنند.بیشتر ادبیات موجود در مورد الگوریتم های توصیه پلتفرم تا حد زیادی بر ترجیحات و تصمیمات کاربر متمرکز است و همزمان به مشوق های خالق نمی پردازد.ما مدلی از توصیه محتوا را پیشنهاد می کنیم که صریحاً بر پویایی تطبیق محتوای کاربر متمرکز است ، با این ویژگی جدید که ممکن است کاربران و سازندگان در صورت عدم تجربه کافی ، این سیستم عامل را به طور دائم ترک کنند.در مدل ما ، هر بازیکن تصمیم می گیرد در هر مرحله بر اساس برنامه های حاصل از مسابقه فعلی شرکت کند: کاربران بر اساس تراز محتوای توصیه شده با ترجیحات خود و سازندگان بر اساس اندازه مخاطبان خود.ما نشان می دهیم که یک الگوریتم حریص کاربر محور که عزیمت سازنده را در نظر نمی گیرد ، می تواند به تعامل کامل خودسرانه ضعیف منجر شود ، نسبت به الگوریتمی که در حالی که حساب می کند برای عزیمت دو طرفه ، حداکثر تعامل را به حداکثر می رساند.علاوه بر این ، برخلاف مواردی که فقط کاربران یا فقط سازندگان این سکو را ترک می کنند ، ما ثابت می کنیم که با عزیمت های دو طرفه ، حداکثر درگیری کل در هر عامل ثابت ، NP-Hard است.ما دو الگوریتم عملی را ارائه می دهیم ، یکی با تضمین عملکرد تحت فرضیات خفیف در مورد ترجیحات کاربر ، و دیگری که تمایل به بهتر از الگوریتم هایی دارد که در عمل نادیده گرفته می شود.