过滤气泡还是同质化？厘清推荐对用户消费模式的长期影响

推荐算法在塑造我们的媒体选择方面发挥着关键作用，这使得理解其对用户行为的长期影响至关重要。这些算法通常与两个关键结果相关联：同质化，即用户尽管 underlying 偏好不同却消费相似内容；以及过滤气泡效应，即具有不同偏好的个体仅消费与其偏好一致的内容（与其他用户重叠甚少）。先前的研究假设同质化与过滤气泡效应之间存在权衡，并表明个性化推荐通过促进同质化来缓解过滤气泡。然而，由于这种对两者之间权衡的假设，先前的工作无法更细致地看待推荐系统如何独立影响同质化和过滤气泡效应。我们将同质化和过滤气泡效应分解为两个关键指标，从而开发了更精细的定义：用户之间平均消费内容的差异程度（用户间多样性）以及个体消费内容的变化程度（用户内多样性）。随后，我们使用一种新颖的基于代理的模拟框架，全面审视推荐系统对同质化和过滤气泡效应的影响。我们的模拟表明，传统推荐算法（基于过去行为）主要通过影响用户间多样性来减少过滤气泡，而未显著影响用户内多样性。基于这些发现，我们引入了两种新的推荐算法，通过同时考虑这两种多样性采取更细致的方法。