AutoLike：通过用户交互审计社交媒体推荐系统
机器学习
2025-02-14 v1
摘要
现代社交媒体平台（如 TikTok、Facebook 和 YouTube）依赖推荐系统根据用户与无限内容流（如“为你”页面）的交互来个性化内容。然而，这些复杂算法可能无意中传递与自伤、精神健康和饮食障碍相关的有问题内容。我们提出 AutoLike，一个用于审计社交媒体平台中主题兴趣及其情感倾向的推荐系统框架。为自动化此过程，我们将问题形式化为强化学习问题。AutoLike 通过交互（例如点赞）驱动推荐系统呈现特定类型的内容。我们将 AutoLike 框架应用于 TikTok 平台作为案例研究。我们评估了 AutoLike 在九个兴趣主题上自动识别 TikTok 内容的效果；并进行八项实验，展示其如何有效地引导 TikTok 推荐系统朝向特定主题和情感方向发展。AutoLike 有潜力帮助监管机构审计推荐系统中的有问题内容。（警告：本文包含可能被视为冒犯或有害的定性示例。）
引用
@article{arxiv.2502.08933,
title = {AutoLike: Auditing Social Media Recommendations through User Interactions},
author = {Hieu Le and Salma Elmalaki and Zubair Shafiq and Athina Markopoulou},
journal= {arXiv preprint arXiv:2502.08933},
year = {2025}
}
备注
17 pages, 6 figures, 3 tables