衡量推荐中的策略化：用户调整行为以塑造未来内容

大多数现代推荐算法都是数据驱动的：它们通过观察用户过去的行为来生成个性化推荐。推荐中的一个常见假设是，用户与内容互动的方式（例如，是否选择“喜欢”）反映的是内容本身，而非生成该内容的算法。尽管这一假设很方便，但它未能捕捉到用户的策略化行为：即用户可能试图通过调整自身行为来适应推荐算法，从而塑造未来的推荐。在这项工作中，我们通过进行实验室实验和问卷调查来检验用户策略化行为。为了捕捉策略化行为，我们采用了一个模型，其中策略性用户不仅根据内容，还根据其行为如何影响下游推荐来选择其参与行为。利用我们构建的自定义音乐播放器，我们研究了用户如何响应关于其推荐算法的不同信息，以及关于其行为如何影响下游结果的不同激励。我们在多个结果指标（包括参与者的停留时间和“喜欢”的使用）上发现了策略化行为的强有力证据。例如，被告知算法主要关注“喜欢”和“不喜欢”的参与者，使用这些功能的频率是被告知算法主要关注停留时间的参与者的1.9倍。对参与者行为的仔细分析（例如，针对我们的激励条件）排除了实验者需求效应是这些趋势主要驱动因素的可能性。此外，在我们的实验后调查中，近一半的参与者自我报告在“现实世界”中存在策略化行为，其中一些人表示，他们忽略自己实际喜欢的内容，以避免未来对该内容的过度推荐。总之，我们的发现表明，用户策略化行为很普遍，平台不能忽视其算法对用户行为的影响。