抑制社交网络中的极化

在社交网络上，算法个性化将用户驱入过滤气泡，使其很少看到偏离自身兴趣的内容。我们提出一种避免过滤气泡的内容策展与个性化模型，并给出算法保证与近乎匹配的下界。在我们的模型中，平台在 $T$ 个时间步上与 $n$ 个用户交互，从 $k$ 个类别中为每个用户选择内容。平台如多臂老虎机般接收随机奖励。为避免过滤气泡，我们基于如下直觉：若某些用户被展示了某类内容，则所有用户都应至少看到少量该类内容。我们首先分析该直觉的一个朴素形式化，并表明其带来意外后果：导致“多数暴政”，多样化负担不成比例地由少数兴趣者承担。这引导我们提出更公平分担此负担的模型。我们要求任一用户被展示某类内容的概率至少为该类型内容所有用户平均展示概率的 $\gamma$ 倍。完全个性化对应 $\gamma = 0$，完全同质化对应 $\gamma = 1$；因此，$\gamma$ 编码了个性化水平的硬上限。我们还分析了平台可超出上限但按约束违背比例支付罚金的额外形式化。我们提供了在这些约束下优化推荐的算法保证。包括对全部 $\gamma \in [0,1]$ 范围近乎匹配的上界与下界，表明多智能体变体 UCB 的奖励近乎最优。利用真实偏好数据，我们经验验证了在我们的模型下，用户分担多样化负担，且约束下效用损失微小。