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，”進行這項研究的研究人員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)站使用它們來增強用戶參與度，或者宣傳產(chǎn)品和服務(wù)。

Frasca及其同事進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，因為它只有兩個項目可供選擇，它的特點是一個參數(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目; 如果它顯示尾部，它建議一個完全隨機的項目。這種隨機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)是最大化用戶點擊次數(shù)，并且要實現(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)整隨機性的數(shù)量，并可能減輕對用戶意見的影響。”

Frasca及其同事進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，仍需要進一步驗證這種洞察力。研究人員正在努力改進他們的模型，以確保它更好地反映現(xiàn)實生活中的情景。

“我們的模型是關(guān)于一個用戶和兩個可能的項目，”弗拉斯卡說。“顯然，實際上，用戶和物品都很多。我們計劃將模型擴展到包括用戶的社交網(wǎng)絡(luò)和多種項目。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)。“