劫持在线评论：流行度偏差评分系统中的稀疏操纵与行为缓冲

在线评论和推荐系统帮助用户应对海量选择，但它们容易受到自我强化的扭曲。本文研究了一个恶意评论者如何利用流行度偏差的评分动态，以及用户响应的行为异质性是否能减少损害。我们开发了一个最小的基于智能体的模型，其中用户部分基于当前显示的平均值来选择要评价的内容。我们比较了扰动许多项目的广泛攻击与选择性地提升低质量项目和压制高质量项目的稀疏攻击。此处未显示的其他分析表明，稀疏攻击比广泛攻击危害大得多，因为它们更好地利用了基于流行度的曝光。然后，正文聚焦于稀疏攻击，并探究随着逆势用户比例的增加，其效果如何变化。三个结果尤为突出。首先，当先前的诚实评论稀缺时，攻击造成的损害最强，揭示了一个从脆弱的低信息状态到更稳健的高信息状态的转变。其次，稀疏攻击在人为推广低质量项目方面特别有效。第三，适度的逆势多样性部分缓冲了这些扭曲，主要是通过抑制低质量项目的上升，而不是将高质量项目完全恢复到顶部。研究结果表明，推荐系统的稳健性不仅取决于攻击检测和预测准确性，还取决于评论密度、流行度反馈和用户响应异质性。