Prima fissare una soglia, poi riempire: simulare gli ecosistemi dei creator per sistemi equi di raccomandazione di contenuti video su scala di miliardi di utenti

Abstract degli autori

I sistemi di raccomandazione dei contenuti ottimizzati per il coinvolgimento mostrano una dinamica ben documentata per cui chi è già in vantaggio tende ad avvantaggiarsi ulteriormente, penalizzando strutturalmente i creator emergenti sulle piattaforme su larga scala. Valutare interventi di riduzione dei bias su larga scala richiede una simulazione fedele degli ecosistemi di creator e spettatori; tuttavia, la fedeltà, la diversità e la validità di tali simulatori sono ancora poco esplorate. Presentiamo un framework di simulazione degli utenti fondato su dati, che modella una popolazione eterogenea di ${\sim}42$K creator e le interazioni congiunte con i loro spettatori nell’arco di 12~settimane, e lo utilizziamo per valutare politiche eque di allocazione delle visualizzazioni formulate come un problema di bandit a più bracci (MAB) con budget. Il simulatore coglie tre dimensioni comportamentali: (i)~\textbf{diversità dei creator}, modellata con un approccio di clustering fondato sulle distribuzioni reali dei creator a livello di piattaforma; (ii)~\textbf{fedeltà comportamentale}, rappresentata attraverso macchine a stati accoppiate per creator e contenuti che descrivono le traiettorie di crescita, l’accumulo di coinvolgimento e le dinamiche di passaggio a una fase successiva; e (iii)~\textbf{validità a livello di popolazione}, misurata tramite la calibrazione rispetto alle metriche osservate sulla piattaforma. Valutiamo configurazioni di simulazione che variano le definizioni dei target di visualizzazioni dei contenuti, le funzioni di ricompensa e una leva di riserva per i creator più piccoli, allo scopo di massimizzare l’equità delle raccomandazioni dei contenuti dei creator. Una soglia minima per ogni target di visualizzazioni dei contenuti, accompagnata da una ricompensa basata sul divario di parità delle visualizzazioni, garantisce che i creator raggiungano il 90\% dei target di visualizzazioni ogni settimana, fa crescere la copertura organica dei creator più piccoli di ${\sim}{+}33\%$ a settimana e raggiunge un’elevata stabilità della distribuzione (insieme di creator con visualizzazioni finanziate, Jaccard $= 0.819$). Analizziamo il divario Sim2Real e proponiamo protocolli di validazione, fornendo elementi utili a stabilire quando ci si può fidare delle conclusioni sull’equità ricavate dalle simulazioni.