文|創瞰巴黎 Isabelle Dumé

編輯|Meister Xia

導讀

社會上政治、宗教、氣候等議題的分歧日益加劇，引發民主制度的動搖。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，讓網絡信息生態更加和諧包容？推薦算法是否存在更加均衡的發展路徑，以促進信息多元化和觀點平衡？這一系列問題將引領我們探索推薦算法與社會隔閡之間的深層聯系。

一覽：

• 隨著網絡在線平臺的出現，世界多地都出現了社會分歧加劇的現象。
• 背后的原因是各大平臺廣泛使用推薦算法，推送用戶最有可能感興趣的內容以增加流量，最終形成信息繭房。
• 來自羅馬大學的學者使用分析技術和數值手段，總結出了用戶的內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策略，讓推薦的內容更加均衡，兼顧用戶參與度和觀點平衡。
• 該研究是促進網絡信息生態更加和諧包容的又一步。

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

根據羅馬大學物理系研究員Giordano De Marzo介紹：“如今我們的在線活動被推薦算法牽著鼻子走：算法告訴我們該看什么電影、聽什么歌曲。大多數常用在線平臺都有推薦功能，比如大家都熟悉的臉書‘推薦內容’、亞馬遜的‘推薦商品’和谷歌的經典排序算法PageRank，皆旨在讓用戶輕松地找到最有可能感興趣的內容，并最大限度地提高用戶與平臺的互動。”

“我們的研究是促進網絡信息生態更加和諧包容的又一步。”

De Marzo帶領的課題組研究了“基于用戶的協同過濾算法”對長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，預測未來的興趣和行為，被各大電商平臺廣泛使用。課題組使用分析技術和數值手段，模擬了算法改變用戶偏好的機制，發現用戶在受困于“信息繭房”之前，會經歷三個階段。課題組還提出了若干種全新的算法開發策略，讓推薦的內容更加均衡，既能給用戶展示個性化內容，又不會形成信息繭房。

01 協同過濾算法與信息繭房的形成

基于用戶的協同過濾算法[4][5]是最著名、應用最廣泛的推薦算法之一，其原理是根據用戶的瀏覽歷史推送其可能會喜歡的新內容。這種算法的缺點是會導致“反饋循環”，讓用戶的選擇逐漸狹窄，看到的內容愈發單一，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容，接觸不到新鮮的視角，加劇社會的觀念兩極化。信息繭房效應與回音室效應 [6][7][8]類似，關于后者已有大量研究。二者的區別在于，回音室效應是志同道合的一群人經過不斷溝通，互相認同、鞏固、放大彼此的想法所導致，而信息繭房是由網絡平臺的推薦算法所造成。

De Marzo課題組發表于《Physical Review E》期刊的最新論文指出，一個協同過濾系統會經歷三個階段：無序、共識形成、觀念極化。各個階段的差異在于“相似性偏差”的強度（算法推薦類似的用戶喜愛的內容的力度）和“流行性偏差”的強度（算法推薦廣泛流行內容的力度）。當兩種偏差的強度都足夠高時，系統會形成數個極化群，即信息繭房。所幸，可以通過一些手段阻止共識形成階段的系統進入觀念極化階段。具體而言，就是開發既能進行個性化推薦，又能避免分歧擴大的算法。

De Marzo解釋說：“我們通過研究提出了一種系統性方法，量化并分析算法推薦對用戶影響的程度。通過統計物理學手段，我們模擬、分析出了用戶的內容偏好是如何因算法而變遷的。”

De Marzo創新地結合了數學建模和計算機模擬。“我們的理論基礎是隨機過程理論、概率論和波利亞甕子模型（一類可用于解釋許多常用統計模型的甕子模型）。在計算機模擬中，我們使用的是蒙特卡羅模擬算法。”

02 推薦算法新思路

De Marzo指出，研究結果能促進新型推薦算法的開發。“明確‘信息繭房’的形成機制，有利于開發推薦范圍更廣的算法，兼顧用戶參與度、內容豐富度和觀點平衡。我們的研究是促進網絡信息生態更加和諧包容的又一步。”

未來，課題組還將研究用戶互動與推薦算法的相互作用。De Marzo解釋說：“添加用戶互動這一參數，能加深我們對社交機制和算法推薦二者互動的理解，從而更全面地審視網絡空間。”

課題組也會研究鏈接推薦算法（向用戶推薦潛在好友的算法），同時開發大型語言模型，提升模擬的仿真度。“以模擬為起點，我們將洞徹網絡社交機制和推薦算法背后的奧秘。”

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.