模擬意見形成和個性化推薦之間的循環(huán)

特文特大學(xué)和CNRS的研究人員最近開展了一項(xiàng)研究，探討用戶意見與他們在線收到的個性化建議之間的關(guān)系。在他們在arXiv上預(yù)先發(fā)表的論文中，他們提出了一個概述這種相互作用的模型，然后通過廣泛的模擬和數(shù)學(xué)分析對其進(jìn)行評估。

“我們在日常生活中遇到推薦系統(tǒng)，只要我們在互聯(lián)網(wǎng)上聯(lián)系，無論是瀏覽Facebook或Twitter還是在亞馬遜上購物，”進(jìn)行這項(xiàng)研究的研究人員Paolo Frasca告訴TechXplore。“這些系統(tǒng)的任務(wù)是選擇與我們最相關(guān)的信息。”

基本上，推薦系統(tǒng)旨在突出顯示與瀏覽互聯(lián)網(wǎng)的個人用戶的偏好相匹配的特定在線內(nèi)容。近年來，這些系統(tǒng)變得越來越流行，許多社交媒體平臺和其他網(wǎng)站使用它們來增強(qiáng)用戶參與度，或者宣傳產(chǎn)品和服務(wù)。

Frasca及其同事進(jìn)行的研究旨在更好地理解用戶意見與推薦系統(tǒng)提出的個性化建議之間的相互作用。作為數(shù)學(xué)家，他們開發(fā)了用戶和推薦內(nèi)容之間互連的動態(tài)模型。

“我們的推薦系統(tǒng)非常簡單，因?yàn)樗挥袃蓚€項(xiàng)目可供選擇，它的特點(diǎn)是一個參數(shù)，我們稱之為epsilon，”Frasca解釋道。“系統(tǒng)會記錄過去物品被欣賞(=點(diǎn)擊)的數(shù)量。每次必須提出建議時，系統(tǒng)會拋出一個(有偏見的)硬幣，它以概率epsilon返回頭部(尾部概率為1) -epsilon)。”

如果這個拋硬幣的結(jié)果是頭部，系統(tǒng)會推薦其歷史記錄中記錄的最成功的項(xiàng)目; 如果它顯示尾部，它建議一個完全隨機(jī)的項(xiàng)目。這種隨機(jī)化過程允許研究人員選擇“epsilon”以確保系統(tǒng)在其提供的建議中有效地平衡多樣性和準(zhǔn)確性。

他們的模型代表單個用戶和在線新聞聚合器之間的交互，以揭示該用戶意見的演變與個性化推薦之間的反饋循環(huán)。它假設(shè)有問題的用戶對特定問題有一個標(biāo)量意見，以二進(jìn)制位置為特征，并且這種意見可能受到在線收到的新聞的影響。通常，用戶被認(rèn)為具有確認(rèn)偏差，這意味著她將偏好內(nèi)容以確認(rèn)她對特定問題的看法。

研究人員還假設(shè)推薦系統(tǒng)的目標(biāo)是最大化用戶點(diǎn)擊次數(shù)，并且要實(shí)現(xiàn)它，它必須在探索用戶偏好和利用它們之間做出妥協(xié)。廣泛的數(shù)值模擬和模型的數(shù)學(xué)分析發(fā)現(xiàn)，個性化內(nèi)容和確認(rèn)偏差都影響了用戶意見的演變，這種影響的程度與推薦系統(tǒng)的有效性有關(guān)。

“我們強(qiáng)調(diào)用戶和推薦系統(tǒng)的行為以改變用戶行為的方式相互饋送，”弗拉斯卡說。“與此同時，參數(shù)epsilon提供了一個旋鈕來調(diào)整隨機(jī)性的數(shù)量，并可能減輕對用戶意見的影響。”

Frasca及其同事進(jìn)行的研究為用戶意見與他們在線收到的個性化建議之間的關(guān)系提供了有趣的見解。但是，在將其轉(zhuǎn)化為政策建議之前，仍需要進(jìn)一步驗(yàn)證這種洞察力。研究人員正在努力改進(jìn)他們的模型，以確保它更好地反映現(xiàn)實(shí)生活中的情景。

“我們的模型是關(guān)于一個用戶和兩個可能的項(xiàng)目，”弗拉斯卡說。“顯然，實(shí)際上，用戶和物品都很多。我們計劃將模型擴(kuò)展到包括用戶的社交網(wǎng)絡(luò)和多種項(xiàng)目。從某種意義上說，我們最近的工作已經(jīng)成為更通用模型的跳板。是我們的下一個目標(biāo)。“