构建政治坐标：针对异议内容进行新闻推荐的聚合方法

过去二十年间，公开的新闻和信息获取速度迅速提升，赋能了民主社会中受教育的政治成长。新闻推荐系统 (NRS) 在此过程中发挥了重要作用，通过为用户提供与其关心的主题相关的文章，最大化化解政治疏离和信息过载。然而，NRS 常常将用户潜在兴趣与其阅读历史中文章的党派偏见以及其偏好主题覆盖中最常见的偏见混为一谈。长期的交互可能导致用户党派倾向的滤镜气泡形成。本文提出了一种新型嵌入空间——构建政治坐标 (CPC)，其对给定主题空间中用户的政治党派倾向进行建模，并与更大样本人群进行比较。我们采用基于 CPC 相关性的简单协同过滤框架，用于推荐来自兴趣观点与用户不同的异议用户所撰写的文章。我们与经典协同过滤方法进行比较，发现基于 CPC 的方法在促进明确的偏见多样性方面表现更佳，更能匹配用户真实的政治容忍度，而经典方法则隐式地利用偏见以最大化互动。