特文特大學和CNRS的研究人員最近開展了一項研究，探討用戶意見與他們在線收到的個性化建議之間的關系。在他們在arXiv上預先發表的論文中，他們提出了一個概述這種相互作用的模型，然后通過廣泛的模擬和數學分析對其進行評估。

“我們在日常生活中遇到推薦系統，只要我們在互聯網上聯系，無論是瀏覽Facebook或Twitter還是在亞馬遜上購物，”進行這項研究的研究人員Paolo Frasca告訴TechXplore。“這些系統的任務是選擇與我們最相關的信息。”

基本上，推薦系統旨在突出顯示與瀏覽互聯網的個人用戶的偏好相匹配的特定在線內容。近年來，這些系統變得越來越流行，許多社交媒體平臺和其他網站使用它們來增強用戶參與度，或者宣傳產品和服務。

Frasca及其同事進行的研究旨在更好地理解用戶意見與推薦系統提出的個性化建議之間的相互作用。作為數學家，他們開發了用戶和推薦內容之間互連的動態模型。

“我們的推薦系統非常簡單，因為它只有兩個項目可供選擇，它的特點是一個參數，我們稱之為epsilon，”Frasca解釋道。“系統會記錄過去物品被欣賞(=點擊)的數量。每次必須提出建議時，系統會拋出一個(有偏見的)硬幣，它以概率epsilon返回頭部(尾部概率為1) -epsilon)。”

如果這個拋硬幣的結果是頭部，系統會推薦其歷史記錄中記錄的最成功的項目; 如果它顯示尾部，它建議一個完全隨機的項目。這種隨機化過程允許研究人員選擇“epsilon”以確保系統在其提供的建議中有效地平衡多樣性和準確性。

他們的模型代表單個用戶和在線新聞聚合器之間的交互，以揭示該用戶意見的演變與個性化推薦之間的反饋循環。它假設有問題的用戶對特定問題有一個標量意見，以二進制位置為特征，并且這種意見可能受到在線收到的新聞的影響。通常，用戶被認為具有確認偏差，這意味著她將偏好內容以確認她對特定問題的看法。

研究人員還假設推薦系統的目標是最大化用戶點擊次數，并且要實現它，它必須在探索用戶偏好和利用它們之間做出妥協。廣泛的數值模擬和模型的數學分析發現，個性化內容和確認偏差都影響了用戶意見的演變，這種影響的程度與推薦系統的有效性有關。

“我們強調用戶和推薦系統的行為以改變用戶行為的方式相互饋送，”弗拉斯卡說。“與此同時，參數epsilon提供了一個旋鈕來調整隨機性的數量，并可能減輕對用戶意見的影響。”

Frasca及其同事進行的研究為用戶意見與他們在線收到的個性化建議之間的關系提供了有趣的見解。但是，在將其轉化為政策建議之前，仍需要進一步驗證這種洞察力。研究人員正在努力改進他們的模型，以確保它更好地反映現實生活中的情景。

“我們的模型是關于一個用戶和兩個可能的項目，”弗拉斯卡說。“顯然，實際上，用戶和物品都很多。我們計劃將模型擴展到包括用戶的社交網絡和多種項目。從某種意義上說，我們最近的工作已經成為更通用模型的跳板。是我們的下一個目標。“