推薦系統中的創作者激勵機制：基於合作博弈論的多代理人老虎機研究
arXiv - Computers and SocietyRamakrishnan Krishnamurthy, Arpit Agarwal, Lakshminarayanan Subramanian, Maximilian Nickel
本文利用合作博弈論解決推薦系統中創作者間的相互依賴問題，確保協作過程中的穩定性與公平性。
AI 幫你先抓重點
AI 重點 1
從單一優化轉向多代理人協作的系統觀點
滑鼠懸停看 AI 判斷理由
傳統推薦系統多關注單一用戶或內容的精準度，但本文指出創作者間存在複雜的相互影響。理解這種「互依性」對於設計能維持生態系統長期健康的平台機制至關重要。
AI 重點 2
利用博弈論解決演算法分配的公平性問題
滑鼠懸停看 AI 判斷理由
這為解決數位平台上的利益分配爭議提供了數學框架。透過確保分配方案位於「核心」內，可以防止創作者因感到不公平而離開平台，提升系統的穩定性。
核心研究發現
- 1
研究發現對於同質性代理人，在特定演算法條件下所誘導的合作博弈是凸的，這意味著核心（Core）非空且包含 Shapley 值，能同時達成穩定與公平。
- 2
針對異質性代理人的情況，雖然博弈仍存在非空核心，但無法保證凸性與 Shapley 值屬於核心，因此需要不同的分配規則。
- 3
研究提出了一種基於悔值（Regret-based）的支付規則，該規則滿足 Shapley 公理中的三項，且能確保分配結果落在核心內。
- 4
透過 MovieLens-100k 資料集的實驗驗證，展示了在不同設定與演算法下，實務支付分配與 Shapley 公平性之間的對齊與偏差情況。
對教育工作者的啟發
對於開發數位學習平台（如內容創作者平台或線上課程市場）的設計者而言，這項研究提供了重要啟發：當平台上的教學內容創作者相互影響時，單純追求演算法精準度是不夠的。設計者應考慮建立一套公平的激勵與分配機制（如基於貢獻或悔值的分配規則），以確保不同規模或類型的創作者都能在生態系中獲得合理的收益與曝光，從而維持教學資源的多樣性與平台的長期穩定發展。
原始文獻資訊
- 英文標題：
- Creator Incentives in Recommender Systems: A Cooperative Game-Theoretic Approach for Stable and Fair Collaboration in Multi-Agent Bandits
- 作者：
- Ramakrishnan Krishnamurthy, Arpit Agarwal, Lakshminarayanan Subramanian, Maximilian Nickel
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。