社交媒体上连边推荐机制对用户意见演化的影响

摘要

在当今社交媒体环境下，个性化推荐算法发挥着至关重要的作用，平台通过分析用户特征来提供针对性的内容或推荐潜在的新朋友，极大地增强了用户体验.然而，长期暴露在基于推荐算法导向的社交媒体下也可能导致一些负作用，其中最受研究关注的是回音室现象和观点极化.目前对于社交媒体连边推荐机制的研究通常关注用户网络结构和意见的相似性，但很少有工作深入探讨用户活跃度的异质性.对此，本文提出了一种基于连边推荐的Deffuant-Weisbuch模型(Link Recommendation-based DW Model, LRDW),该模型在考虑了用户之间的意见冲突的基础上，还将用户活跃度纳入推荐策略.此外，本研究探讨了不同推荐策略对意见极化的具体影响.在人工网络和真实社交媒体网络上的模拟实验结果显示，基于用户活跃度的推荐机制会加剧意见极化.同时，本文发现通过控制活跃人口的意见，在一定程度上能够引导总体意见的走向.最后本文在推荐策略中引入了随机元素，有效减弱了极化现象.

关键词

意见极化 / 推荐机制 / 社交媒体 / Deffuant-Weisbuch模型 / 活跃度