本論文では、公平性を考慮したインタラクティブ推薦システムの新たなアプローチとして、アイテムのライフサイクルを制御手段として提案しています。主な貢献は三点あります。第一に、ショートビデオプラットフォームにおけるアイテムのライフサイクルが、従来の四段階モデルから逸脱し、急成長、短期的安定、急激な減少という三段階の圧縮されたパターンを示すことを発見しました。第二に、ライフサイクルを考慮した階層型強化学習フレームワーク「LHRL」を導入し、フェアネスと精度を動的に調和させる手法を提案しています。このフレームワークは、フェーズごとの露出ダイナミクスを活用します。第三に、実際の推薦データセットにおける実験結果から、LHRLが公平性とユーザーエンゲージメントを大幅に改善することを示しました。ライフサイクルを考慮した報酬を既存の強化学習モデルに統合することで、パフォーマンスの向上が確認され、提案手法の一般性と実用性が強調されました。