模拟意见形成和个性化推荐之间的循环

特文特大学和CNRS的研究人员最近开展了一项研究，探讨用户意见与他们在线收到的个性化建议之间的关系。在他们在arXiv上预先发表的论文中，他们提出了一个概述这种相互作用的模型，然后通过广泛的模拟和数学分析对其进行评估。

“我们在日常生活中遇到推荐系统，只要我们在互联网上联系，无论是浏览Facebook或Twitter还是在亚马逊上购物，”进行这项研究的研究人员Paolo Frasca告诉TechXplore。“这些系统的任务是选择与我们最相关的信息。”

基本上，推荐系统旨在突出显示与浏览互联网的个人用户的偏好相匹配的特定在线内容。近年来，这些系统变得越来越流行，许多社交媒体平台和其他网站使用它们来增强用户参与度，或者宣传产品和服务。

Frasca及其同事进行的研究旨在更好地理解用户意见与推荐系统提出的个性化建议之间的相互作用。作为数学家，他们开发了用户和推荐内容之间互连的动态模型。

“我们的推荐系统非常简单，因为它只有两个项目可供选择，它的特点是一个参数，我们称之为epsilon，”Frasca解释道。“系统会记录过去物品被欣赏(=点击)的数量。每次必须提出建议时，系统会抛出一个(有偏见的)硬币，它以概率epsilon返回头部(尾部概率为1) -epsilon)。”

如果这个抛硬币的结果是头部，系统会推荐其历史记录中记录的最成功的项目; 如果它显示尾部，它建议一个完全随机的项目。这种随机化过程允许研究人员选择“epsilon”以确保系统在其提供的建议中有效地平衡多样性和准确性。

他们的模型代表单个用户和在线新闻聚合器之间的交互，以揭示该用户意见的演变与个性化推荐之间的反馈循环。它假设有问题的用户对特定问题有一个标量意见，以二进制位置为特征，并且这种意见可能受到在线收到的新闻的影响。通常，用户被认为具有确认偏差，这意味着她将偏好内容以确认她对特定问题的看法。

研究人员还假设推荐系统的目标是最大化用户点击次数，并且要实现它，它必须在探索用户偏好和利用它们之间做出妥协。广泛的数值模拟和模型的数学分析发现，个性化内容和确认偏差都影响了用户意见的演变，这种影响的程度与推荐系统的有效性有关。

“我们强调用户和推荐系统的行为以改变用户行为的方式相互馈送，”弗拉斯卡说。“与此同时，参数epsilon提供了一个旋钮来调整随机性的数量，并可能减轻对用户意见的影响。”

Frasca及其同事进行的研究为用户意见与他们在线收到的个性化建议之间的关系提供了有趣的见解。但是，在将其转化为政策建议之前，仍需要进一步验证这种洞察力。研究人员正在努力改进他们的模型，以确保它更好地反映现实生活中的情景。

“我们的模型是关于一个用户和两个可能的项目，”弗拉斯卡说。“显然，实际上，用户和物品都很多。我们计划将模型扩展到包括用户的社交网络和多种项目。从某种意义上说，我们最近的工作已经成为更通用模型的跳板。是我们的下一个目标。“