揭示深层过滤气泡：短视频推荐中的窄化曝光

过滤气泡在在线内容平台背景下已被广泛研究，因其可能导致用户不满或极化等不良后果。随着短视频平台的兴起，过滤气泡受到了额外关注，因为这些平台依赖前所未有的推荐系统使用方式来提供相关内容。在我们的工作中，我们研究了深层过滤气泡，即用户在其广泛兴趣范围内仅接触到窄化内容的现象。我们利用中国某顶级短视频平台的一年交互数据完成了此项研究，该数据包含每个视频的三个层级类别的分层数据。我们在该背景下形式化了“深层”过滤气泡的定义，随后探讨了数据中的各种相关性：首先理解深层过滤气泡随时间的演变，然后揭示导致这一现象的一些因素，如特定类别、用户人口统计特征和反馈类型。我们观察到，虽然处于过滤气泡中的用户总体比例随时间保持大致恒定，但其过滤气泡的深度构成发生了变化。此外，我们发现某些更有可能看到窄化内容的人口统计群体，以及隐式反馈信号，可能导致较少的气泡形成。最后，我们提出了一些推荐系统的设计方法，以降低用户陷入气泡的风险。