个性化推荐下的偏好动态

许多项目（实践与学术）已设计算法将用户匹配至他们会喜爱的内容，其假设是用户偏好与观点不随其所见内容改变。有证据表明，个体的偏好直接由其所见内容塑造——激进化、信息茧房、极化与厌倦均为受内容影响的偏好现象示例。尤其极化即便在含“大众媒体”而无个性化的生态中也会发生，正如~\citet{hkazla2019geometric} 与~\citet{gaitonde2021polarization} 近期在偏好动态的自然模型中所探讨。若所有用户偏好均被拉向已喜爱内容，或排斥已厌恶内容，则媒体的均匀消费会导致异质偏好人口收敛至仅两极。本工作中，我们探究当用户接收\emph{个性化}内容推荐时，是否发生类似极化现象。我们使用类似的偏好动态模型，其中个体偏好移向其消费并喜爱的内容，远离其消费并厌恶的内容。我们表明，标准用户奖励最大化在此环境中几乎是平凡目标（大类简单算法仅获常数后悔(regret)）。因此更有趣的目标是理解推荐算法在何种条件下能确保用户偏好的平稳性。我们展示了如何设计内容推荐，在可用内容集合的温和条件下、当用户偏好已知时实现近似平稳性，以及即便用户偏好初始未知，如何学习足够关于用户偏好以实施该策略。