设计去极性推荐系统
通过重新加权用户关注的账户的相对重要性,我们提出了一种改善社交媒体中极端化和信息孤立化问题的新方法,以在相关性和多样性之间取得平衡,从而降低社交媒体的负面影响,同时保持信息流的质量。我们通过实验验证了这种方法的有效性,并证明其能够促进更健康、更具凝聚力的在线社区。
Aug, 2023
本文研究如何通过网络结构来降低社交媒体带来的观点极化和分歧,并提出了一种精确且高效的算法,同时对算法进行了合成及真实数据的测试,结果表明该算法对于推荐系统和社交网络优化具有重要意义。
Dec, 2017
本文提出了一个新的利用 antidote data 方法来改善推荐系统的社会效益,该方法能够在一定预算下提高推荐系统的公正性和准确性。作者用矩阵分解来模拟推荐过程,并提出了一组用于评估 推荐系统公正性或偏见的指标。
Dec, 2018
本文提出了一个基于 Monte Carlo 模拟的框架来评估人们推荐算法对意见演变的影响,结果发现人们推荐算法确实会导致峡谷效应显著增加,但仅在网络中有相当数量的同质性的情况下发生。
Dec, 2021
该研究提出了一种可避免过滤气泡的内容筛选和个性化模型,该模型采用多臂赌博机策略,并提供了算法保证和匹配下限。为了避免过滤气泡,该作者集中在由 $i$ 用户在 $T$ 时间步内与平台互动选择来自 $k$ 个类别的内容,同时该平台根据多臂赌博机的概率同时展示少量的不同内容。最后我们提出了一个新型模型,该模型更公平地分配了举例分散的负担,可对推荐进行优化。
May, 2023
本文提出了一种基于多层次探测极性语言的词向量模型的文本去极性框架,用于检测和取代媒体报道中的极性语言,实现文本去极性。作者通过对 11 个话题的 99 个故事应用该方法,使用自动和半自动模式比较分析原始文本和去极性后的文本,并通过 161 个人类测试人员获得高反馈,证明了该方法在有效去极性的同时保留了原始文本的信息。
Jan, 2021
通过神经嵌入技术对 Reddit 14 年间 5.1B 评论的社区结构进行了研究,发现在 2016 年美国总统选举后,Reddit 出现了明显的政治极化,尤其是右翼用户的活动量增加导致的。个体级的极化是罕见的,政治极化可以通过考察单个用户的行为预测,可能因外部事件而发生。
Oct, 2020
本文研究了社交媒体上自我封闭和观点极化的机制,通过引入激进化动力学模型,在不同的主题和社交状态下发现了社交影响和话题争议度对极化的影响,对社交媒体上自我封闭和观点极化的机制提出了新的见解。
Jun, 2019
通过设计算法工具来提高用户对话中紧张氛围的意识并引导其积极回应,我们提出了一种不同于传统平台依靠管理员干预的方法。通过用户实验,我们发现这种积极主动的用户中心模式受到用户的欢迎,并可能在未来得到广泛应用。
Dec, 2022
机器学习在在线内容管理中广泛使用,但其引入了预测多样性等挑战,该研究旨在分析” 预测多样性 “如何影响内容管理工具的分类结果、社会群体的不平等影响以及与人工分类的对比,结果表明算法扩展的内容管理存在着过度管理人权的风险,为了减轻这些风险,需要通过增加透明度来识别和监管内容管理的任意性。
Feb, 2024