推荐系统与网络结构对内容及创作者可见性的联合影响

社交媒体算法通过在其社交网络内对内容进行排名来分配用户的可见性。然而，推荐逻辑和网络结构如何共同塑造跨内容和创作者的可见性在很大程度上仍未得到充分研究。在这项工作中，我们通过使用 YSocial（一个社交媒体虚拟孪生体）进行基于智能体的模拟来解决这个问题，其中智能体在 7 种推荐策略和 2 种网络拓扑下进行交互。我们发现推荐逻辑设定了可见性机制：流行度创建了一个强化循环，早期的反应增加了随后的曝光，将可见性集中在小部分内容上，并将创作者的可见性限制在那些内容进入此循环的创作者中，而协同过滤则在活动目录和用户群中广泛分配可见性。当关注者图塑造候选选择时，网络结构改变了不平等的方向：在流行度排名下，创作者层面的集中度变得与全局流行度相当，但可见性被系统地重定向到那些在社交上已经受欢迎的创作者。网络拓扑在不改变其定性顺序的情况下调节了这些效应的幅度。这些结果表明，可见性分配应该在内容、创作者、网络位置和时间强化方面进行评估，并且受控模拟可以帮助测试信息流设计在部署前如何分配可见性。