在线声誉与投票系统：数据乱伦、社会学习与显示偏好
社会与信息网络
2015-01-07 v1
摘要
本文考虑在线声誉与投票系统，其中个体基于其私有观测和朋友的推荐做出推荐。这种个体及其社会影响的互动被建模为有向无环图上的社会学习。数据乱伦（data incest，虚假信息传播）由于在形成社会学习的公共信念时无意识地重用相同动作而产生；每个智能体收集的信息被错误地认为是独立的。这导致状态估计中的过度自信和偏差。给出了信息交换图结构上加减轻数据乱伦的充分必要条件。提出了乱伦消除算法。给出了人类受试者的实验结果以说明社会影响和数据乱伦对决策的作用。这些实验结果表明社会学习协议需要精心设计以处理和减轻数据乱伦。乱伦消除算法在一个期望投票系统中得到展示，其中投票参与者以其朋友信念的摘要作答。最后，微观经济理论中出现的显示偏好原理被用于解析Twitter数据集，以确定社会传感器是否为效用最大化者，进而确定其效用函数。
引用
@article{arxiv.1501.00994,
title = {Online Reputation and Polling Systems: Data Incest, Social Learning and Revealed Preferences},
author = {Vikram Krishnamurthy and William Hoiles},
journal= {arXiv preprint arXiv:1501.00994},
year = {2015}
}
备注
arXiv admin note: substantial text overlap with arXiv:1412.4171