Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content

大多数现代推荐算法都是数据驱动的：它们通过观察用户的过去行为生成个性化的推荐。推荐中的一个普遍假设是，用户与内容的交互方式（例如，他们选择“喜欢”它）反映的是内容本身，而不是生成它的算法。虽然这种假设很方便，但它未能捕捉到用户的策略化行为：用户可能会尝试通过调整自己的行为来塑造未来的推荐结果。在这项工作中，我们通过实验和调查来测试用户的策略化行为。为了捕捉策略化行为，我们采用了一个模型，其中策略化用户根据他们的行为如何影响下游推荐结果来选择他们的参与行为，而不仅仅是基于内容本身。我们使用一个自定义的音乐播放器来研究用户如何响应有关他们的推荐算法的不同信息以及有关他们的行为如何影响下游结果的不同激励。我们发现，在包括参与者停留时间和使用“喜欢”等指标的结果度量中，存在策略化的强有力证据。例如，被告知算法主要关注“喜欢”和“不喜欢”的参与者比被告知算法主要关注停留时间的参与者使用这些功能多1.9倍。对参与者行为的详细分析（例如，对我们激励条件的反应）排除了实验者需求作为这些趋势的主要驱动因素。此外，在我们的实验后调查中，近一半的参与者自报在“野外”策略化，有些人称他们会忽略他们实际上喜欢的内容，以避免未来过度推荐该内容。总之，我们的发现表明，用户的策略化行为很常见，平台不能忽视其算法对用户行为的影响。

本论文旨在测试用户是否会根据推荐算法来调整自己的行为，以达到塑造未来推荐结果的目的。

通过实验和调查，研究者发现用户的策略化行为非常普遍，推荐平台不能忽视算法对用户行为的影响。

论文采用自定义的音乐播放器进行实验，发现用户会根据推荐算法来调整自己的行为，以达到塑造未来推荐结果的目的。实验结果表明，用户的策略化行为非常普遍，推荐平台不能忽视算法对用户行为的影响。

与该论文相关的研究包括《推荐系统中的策略化行为》、《用户行为对推荐算法的影响》等。