文|創(chuàng)瞰巴黎 Isabelle Dumé

編輯|Meister Xia

導(dǎo)讀

社會(huì)上政治、宗教、氣候等議題的分歧日益加劇，引發(fā)民主制度的動(dòng)搖。社交媒體在這種隔閡加深中扮演了何種角色？Giordano De Marzo等人的研究揭示了推薦算法在形成“信息繭房”中的作用。然而，我們是否能夠打破這種信息繭房，讓網(wǎng)絡(luò)信息生態(tài)更加和諧包容？推薦算法是否存在更加均衡的發(fā)展路徑，以促進(jìn)信息多元化和觀點(diǎn)平衡？這一系列問題將引領(lǐng)我們探索推薦算法與社會(huì)隔閡之間的深層聯(lián)系。

一覽：

• 隨著網(wǎng)絡(luò)在線平臺(tái)的出現(xiàn)，世界多地都出現(xiàn)了社會(huì)分歧加劇的現(xiàn)象。
• 背后的原因是各大平臺(tái)廣泛使用推薦算法，推送用戶最有可能感興趣的內(nèi)容以增加流量，最終形成信息繭房。
• 來(lái)自羅馬大學(xué)的學(xué)者使用分析技術(shù)和數(shù)值手段，總結(jié)出了用戶的內(nèi)容偏好是如何因算法而變遷的。
• 研究提出了若干種算法開發(fā)策略，讓推薦的內(nèi)容更加均衡，兼顧用戶參與度和觀點(diǎn)平衡。
• 該研究是促進(jìn)網(wǎng)絡(luò)信息生態(tài)更加和諧包容的又一步。

近年來(lái)，多國(guó)社會(huì)在政治、宗教、氣候變化等議題上的分歧不斷擴(kuò)大[1][2][3]。觀念的兩極分化潛藏著危機(jī)，如果任其蔓延，則會(huì)動(dòng)搖民主制度的根基。這些現(xiàn)象背后，社交媒體推波助瀾的作用不容忽視，但這些平臺(tái)究竟是如何讓人們隔閡加深的？

根據(jù)羅馬大學(xué)物理系研究員Giordano De Marzo介紹：“如今我們的在線活動(dòng)被推薦算法牽著鼻子走：算法告訴我們?cè)摽词裁措娪啊⒙犑裁锤枨?。大多?shù)常用在線平臺(tái)都有推薦功能，比如大家都熟悉的臉書‘推薦內(nèi)容’、亞馬遜的‘推薦商品’和谷歌的經(jīng)典排序算法PageRank，皆旨在讓用戶輕松地找到最有可能感興趣的內(nèi)容，并最大限度地提高用戶與平臺(tái)的互動(dòng)?！?/p>

“我們的研究是促進(jìn)網(wǎng)絡(luò)信息生態(tài)更加和諧包容的又一步?！?/p>

De Marzo帶領(lǐng)的課題組研究了“基于用戶的協(xié)同過(guò)濾算法”對(duì)長(zhǎng)期使用者的行為影響。此類算法利用用戶的歷史行為和偏好，預(yù)測(cè)未來(lái)的興趣和行為，被各大電商平臺(tái)廣泛使用。課題組使用分析技術(shù)和數(shù)值手段，模擬了算法改變用戶偏好的機(jī)制，發(fā)現(xiàn)用戶在受困于“信息繭房”之前，會(huì)經(jīng)歷三個(gè)階段。課題組還提出了若干種全新的算法開發(fā)策略，讓推薦的內(nèi)容更加均衡，既能給用戶展示個(gè)性化內(nèi)容，又不會(huì)形成信息繭房。

01 協(xié)同過(guò)濾算法與信息繭房的形成

基于用戶的協(xié)同過(guò)濾算法[4][5]是最著名、應(yīng)用最廣泛的推薦算法之一，其原理是根據(jù)用戶的瀏覽歷史推送其可能會(huì)喜歡的新內(nèi)容。這種算法的缺點(diǎn)是會(huì)導(dǎo)致“反饋循環(huán)”，讓用戶的選擇逐漸狹窄，看到的內(nèi)容愈發(fā)單一，受困于信息繭房。久而久之，用戶只能看到與其固有信念相符的新聞和內(nèi)容，接觸不到新鮮的視角，加劇社會(huì)的觀念兩極化。信息繭房效應(yīng)與回音室效應(yīng) [6][7][8]類似，關(guān)于后者已有大量研究。二者的區(qū)別在于，回音室效應(yīng)是志同道合的一群人經(jīng)過(guò)不斷溝通，互相認(rèn)同、鞏固、放大彼此的想法所導(dǎo)致，而信息繭房是由網(wǎng)絡(luò)平臺(tái)的推薦算法所造成。

De Marzo課題組發(fā)表于《Physical Review E》期刊的最新論文指出，一個(gè)協(xié)同過(guò)濾系統(tǒng)會(huì)經(jīng)歷三個(gè)階段：無(wú)序、共識(shí)形成、觀念極化。各個(gè)階段的差異在于“相似性偏差”的強(qiáng)度（算法推薦類似的用戶喜愛的內(nèi)容的力度）和“流行性偏差”的強(qiáng)度（算法推薦廣泛流行內(nèi)容的力度）。當(dāng)兩種偏差的強(qiáng)度都足夠高時(shí)，系統(tǒng)會(huì)形成數(shù)個(gè)極化群，即信息繭房。所幸，可以通過(guò)一些手段阻止共識(shí)形成階段的系統(tǒng)進(jìn)入觀念極化階段。具體而言，就是開發(fā)既能進(jìn)行個(gè)性化推薦，又能避免分歧擴(kuò)大的算法。

De Marzo解釋說(shuō)：“我們通過(guò)研究提出了一種系統(tǒng)性方法，量化并分析算法推薦對(duì)用戶影響的程度。通過(guò)統(tǒng)計(jì)物理學(xué)手段，我們模擬、分析出了用戶的內(nèi)容偏好是如何因算法而變遷的?！?/p>

De Marzo創(chuàng)新地結(jié)合了數(shù)學(xué)建模和計(jì)算機(jī)模擬。“我們的理論基礎(chǔ)是隨機(jī)過(guò)程理論、概率論和波利亞甕子模型（一類可用于解釋許多常用統(tǒng)計(jì)模型的甕子模型）。在計(jì)算機(jī)模擬中，我們使用的是蒙特卡羅模擬算法?！?/p>

02 推薦算法新思路

De Marzo指出，研究結(jié)果能促進(jìn)新型推薦算法的開發(fā)?！懊鞔_‘信息繭房’的形成機(jī)制，有利于開發(fā)推薦范圍更廣的算法，兼顧用戶參與度、內(nèi)容豐富度和觀點(diǎn)平衡。我們的研究是促進(jìn)網(wǎng)絡(luò)信息生態(tài)更加和諧包容的又一步。”

未來(lái)，課題組還將研究用戶互動(dòng)與推薦算法的相互作用。De Marzo解釋說(shuō)：“添加用戶互動(dòng)這一參數(shù)，能加深我們對(duì)社交機(jī)制和算法推薦二者互動(dòng)的理解，從而更全面地審視網(wǎng)絡(luò)空間。”

課題組也會(huì)研究鏈接推薦算法（向用戶推薦潛在好友的算法），同時(shí)開發(fā)大型語(yǔ)言模型，提升模擬的仿真度?！耙阅M為起點(diǎn)，我們將洞徹網(wǎng)絡(luò)社交機(jī)制和推薦算法背后的奧秘?！?/p>

參考資料

1. “The partisan divide on political values grows even wider,” https://www.pewresearch.org/politics/2017/10/05/the-partisan-divide-on-political-values-grows-even-wider/ (2017).

2. Uthsav Chitra and Christopher Musco, “Analyzing the impact of filter bubbles on social network polarization,” in Proceedings of the 13th International Conference on Web Search and Data Mining, WSDM ’20 (Association for Computing Machinery, New York, NY, USA, 2020) p. 115–123.

3. Michael Maes and Lukas Bischofberger, “Will the person- alization of online social networks foster opinion polarization?” Available at SSRN 2553436 (2015).

4. Jonathan L Herlocker, Joseph A Konstan, and John Riedl, “Explaining collaborative filtering recommendations,” in Proceedings of the 2000 ACM conference on Computer supported cooperative work (2000) pp. 241–250.

5. Xiaoyuan Su and Taghi M Khoshgoftaar, “A survey of collaborative filtering techniques,” Advances in artificial intelligence 2009 (2009), 10.1155/2009/421425.

6. Matteo Cinelli, Gianmarco De Francisci Morales, Alessandro Galeazzi, Walter Quattrociocchi, and Michele Starnini, “The echo chamber effect on social media,” Proceedings of the National Academy of Sciences 118 (2021), 10.1073/pnas.2023301118, https://www.pnas.org/content/118/9/e2023301118.full.pdf.

7. Wesley Cota, Silvio C. Ferreira, Romualdo Pastor-Satorras, and Michele Starnini, “Quantifying echo chamber effects in information spreading over political communication networks,” EPJ Data Science 8, 35 (2019).

8. Pablo Barber′a, John T. Jost, Jonathan Nagler, Joshua A. Tucker, and Richard Bonneau, “Tweeting from left to right: Is online political communication more than an echo chamber?” Psychological Science 26, 1531–1542 (2015), pMID: 26297377,https://doi.org/10.1177/0956797615594620.