通过社交网络中的边建议最大化公平内容传播

内容传播不平等是在线社交网络中一个潜在的不公平问题,对少数群体造成差异性影响。本文将社交网络平台中常见的好友建议功能视为实现内容公平传播的机会。具体而言,我们建议推荐一组潜在边(当前网络中不存在但很可能被接受)的子集,以在达成公平的同时最大化内容传播。我们的方案不重新设计现有系统,而是在现有好友建议组件之上构建公平性封装层。我们证明该问题是 NP-hard 且在多项式时间内不可近似,除非 P = NP。因此,通过放宽公平性约束,我们提出一种基于 LP 松弛与随机圆整的算法,在公平性与内容传播上均具有固定近似比。我们提供了多种优化,进一步提升了算法在实践中的性能。此外,我们提出一种可扩展算法,通过迭代采样动态添加节点子集,并求解对应于这些节点的较小规模问题。除理论分析外,我们在真实与合成数据集上进行了综合实验。在不同设置下,我们的算法找到了近乎零不公平性的解,同时显著提升了内容传播。我们的可扩展算法可在单机上处理含五十万节点的图,将不公平性降至约 0.0004,同时将内容传播提升 43%。