WWWMar, 2024
揭示深度过滤泡：短视频推荐中的狭窄曝光
Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation
Nicholas Sukiennik, Chen Gao, Nian Li
TL;DR在这项研究中，我们通过在中国一家顶级短视频平台的一年交互数据，对 “深度” 筛选气泡进行了调查，该平台包括每个视频的三级类别的层次数据，我们对这种情况下的 “深度” 筛选气泡进行了形式化定义，然后在数据中探索了各种相关性，首先了解了深度筛选气泡随时间的演变，然后揭示了导致该现象的一些因素，如特定类别、用户人口统计数据和反馈类型。我们观察到，尽管筛选气泡中用户的整体比例随时间基本保持不变，但其筛选气泡的深度构成会发生变化。此外，我们发现一些具有更大可能性看到较狭窄内容和隐性反馈信号的人口群体会导致较少的筛选气泡形成。最后，我们提出了一些减少用户陷入气泡风险的推荐系统设计方法。