基于级联的回声室检测

尽管社交媒体中的回声室已受到相当多的审视，但用于其检测与分析的通用模型仍然缺失。在这项工作中，我们旨在通过提出一个概率生成模型来填补这一空白，该模型通过一组潜在社区来解释社交媒体足迹——即社交网络结构和信息传播——这些社区以一定程度的回声室行为和一种观点极性为特征。具体而言，回声室被建模为对具有相似意识形态极性的信息可渗透、而对对立倾向的信息不可渗透的社区：这使得能够将回声室与缺乏明确意识形态对齐的社区区分开来。为了学习模型参数，我们提出了广义期望最大化算法的一种可扩展的随机自适应方法，该方法优化了观测到社交连接与信息传播联合似然。在合成数据上的实验表明，我们的算法能够正确重建真实潜在社区及其回声室行为程度和观点极性。关于极化社会与政治辩论（如英国脱欧公投或 COVID-19 疫苗运动）的真实世界数据实验，证实了我们的提案在检测回声室方面的有效性。最后，我们展示了我们的模型如何提高辅助预测任务（如立场检测和未来传播预测）的准确性。