Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation

要約

フィルターバブルは、ユーザーの不満や二極化などの望ましくない結果を引き起こす可能性があるため、オンラインコンテンツプラットフォームの文脈で広く研究されてきました。
ショートビデオ プラットフォームの台頭により、フィルター バブルが特に注目されるようになりました。これは、これらのプラットフォームが関連コンテンツを提供するためにレコメンダー システムの前例のない使用に依存しているためです。
私たちの研究では、ユーザーが幅広い興味の範囲内で狭いコンテンツにさらされることを指すディープ フィルター バブルを調査しています。
これは、中国のトップショートビデオ プラットフォームからの 1 年間のインタラクション データを使用して実現しました。これには、各ビデオの 3 レベルのカテゴリを含む階層データが含まれています。
この文脈で「深い」フィルター バブルの定義を形式化し、データ内のさまざまな相関関係を調査します。まず、時間の経過に伴う深いフィルター バブルの進化を理解し、その後、この現象を引き起こす要因のいくつかを明らかにします。
特定のカテゴリ、ユーザー層、フィードバックの種類など。
フィルター バブル内のユーザーの全体的な割合は時間の経過とともにほぼ一定のままですが、フィルター バブルの深さの構成が変化することがわかります。
さらに、より狭いコンテンツや暗黙的なフィードバックシグナルを見る可能性が高い一部の人口統計グループは、バブルの形成が少ない可能性があることがわかりました。
最後に、ユーザーがバブルに巻き込まれるリスクを軽減するためにレコメンダー システムを設計できるいくつかの方法を提案します。

要約(オリジナル)

Filter bubbles have been studied extensively within the context of online content platforms due to their potential to cause undesirable outcomes such as user dissatisfaction or polarization. With the rise of short-video platforms, the filter bubble has been given extra attention because these platforms rely on an unprecedented use of the recommender system to provide relevant content. In our work, we investigate the deep filter bubble, which refers to the user being exposed to narrow content within their broad interests. We accomplish this using one-year interaction data from a top short-video platform in China, which includes hierarchical data with three levels of categories for each video. We formalize our definition of a ‘deep’ filter bubble within this context, and then explore various correlations within the data: first understanding the evolution of the deep filter bubble over time, and later revealing some of the factors that give rise to this phenomenon, such as specific categories, user demographics, and feedback type. We observe that while the overall proportion of users in a filter bubble remains largely constant over time, the depth composition of their filter bubble changes. In addition, we find that some demographic groups that have a higher likelihood of seeing narrower content and implicit feedback signals can lead to less bubble formation. Finally, we propose some ways in which recommender systems can be designed to reduce the risk of a user getting caught in a bubble.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google