文|创瞰巴黎 Isabelle Dumé

编辑|Meister Xia

导读

社会上政治、宗教、气候等议题的分歧日益加剧，引发民主制度的动摇。社交媒体在这种隔阂加深中扮演了何种角色？Giordano De Marzo等人的研究揭示了推荐算法在形成“信息茧房”中的作用。然而，我们是否能够打破这种信息茧房，让网络信息生态更加和谐包容？推荐算法是否存在更加均衡的发展路径，以促进信息多元化和观点平衡？这一系列问题将引领我们探索推荐算法与社会隔阂之间的深层联系。

一览：

• 随着网络在线平台的出现，世界多地都出现了社会分歧加剧的现象。
• 背后的原因是各大平台广泛使用推荐算法，推送用户最有可能感兴趣的内容以增加流量，最终形成信息茧房。
• 来自罗马大学的学者使用分析技术和数值手段，总结出了用户的内容偏好是如何因算法而变迁的。
• 研究提出了若干种算法开发策略，让推荐的内容更加均衡，兼顾用户参与度和观点平衡。
• 该研究是促进网络信息生态更加和谐包容的又一步。

近年来，多国社会在政治、宗教、气候变化等议题上的分歧不断扩大[1][2][3]。观念的两极分化潜藏着危机，如果任其蔓延，则会动摇民主制度的根基。这些现象背后，社交媒体推波助澜的作用不容忽视，但这些平台究竟是如何让人们隔阂加深的？

根据罗马大学物理系研究员Giordano De Marzo介绍：“如今我们的在线活动被推荐算法牵着鼻子走：算法告诉我们该看什么电影、听什么歌曲。大多数常用在线平台都有推荐功能，比如大家都熟悉的脸书‘推荐内容’、亚马逊的‘推荐商品’和谷歌的经典排序算法PageRank，皆旨在让用户轻松地找到最有可能感兴趣的内容，并最大限度地提高用户与平台的互动。”

“我们的研究是促进网络信息生态更加和谐包容的又一步。”

De Marzo带领的课题组研究了“基于用户的协同过滤算法”对长期使用者的行为影响。此类算法利用用户的历史行为和偏好，预测未来的兴趣和行为，被各大电商平台广泛使用。课题组使用分析技术和数值手段，模拟了算法改变用户偏好的机制，发现用户在受困于“信息茧房”之前，会经历三个阶段。课题组还提出了若干种全新的算法开发策略，让推荐的内容更加均衡，既能给用户展示个性化内容，又不会形成信息茧房。

01 协同过滤算法与信息茧房的形成

基于用户的协同过滤算法[4][5]是最著名、应用最广泛的推荐算法之一，其原理是根据用户的浏览历史推送其可能会喜欢的新内容。这种算法的缺点是会导致“反馈循环”，让用户的选择逐渐狭窄，看到的内容愈发单一，受困于信息茧房。久而久之，用户只能看到与其固有信念相符的新闻和内容，接触不到新鲜的视角，加剧社会的观念两极化。信息茧房效应与回音室效应 [6][7][8]类似，关于后者已有大量研究。二者的区别在于，回音室效应是志同道合的一群人经过不断沟通，互相认同、巩固、放大彼此的想法所导致，而信息茧房是由网络平台的推荐算法所造成。

De Marzo课题组发表于《Physical Review E》期刊的最新论文指出，一个协同过滤系统会经历三个阶段：无序、共识形成、观念极化。各个阶段的差异在于“相似性偏差”的强度（算法推荐类似的用户喜爱的内容的力度）和“流行性偏差”的强度（算法推荐广泛流行内容的力度）。当两种偏差的强度都足够高时，系统会形成数个极化群，即信息茧房。所幸，可以通过一些手段阻止共识形成阶段的系统进入观念极化阶段。具体而言，就是开发既能进行个性化推荐，又能避免分歧扩大的算法。

De Marzo解释说：“我们通过研究提出了一种系统性方法，量化并分析算法推荐对用户影响的程度。通过统计物理学手段，我们模拟、分析出了用户的内容偏好是如何因算法而变迁的。”

De Marzo创新地结合了数学建模和计算机模拟。“我们的理论基础是随机过程理论、概率论和波利亚瓮子模型（一类可用于解释许多常用统计模型的瓮子模型）。在计算机模拟中，我们使用的是蒙特卡罗模拟算法。”

02 推荐算法新思路

De Marzo指出，研究结果能促进新型推荐算法的开发。“明确‘信息茧房’的形成机制，有利于开发推荐范围更广的算法，兼顾用户参与度、内容丰富度和观点平衡。我们的研究是促进网络信息生态更加和谐包容的又一步。”

未来，课题组还将研究用户互动与推荐算法的相互作用。De Marzo解释说：“添加用户互动这一参数，能加深我们对社交机制和算法推荐二者互动的理解，从而更全面地审视网络空间。”

课题组也会研究链接推荐算法（向用户推荐潜在好友的算法），同时开发大型语言模型，提升模拟的仿真度。“以模拟为起点，我们将洞彻网络社交机制和推荐算法背后的奥秘。”

参考资料

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.