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

由于过滤泡可能导致用户不满意或极端化等不良后果，因此在在线内容平台的背景下广泛研究了过滤泡。随着短视频平台的兴起，过滤泡受到了额外的关注，因为这些平台依赖于前所未有的推荐系统来提供相关内容。在我们的研究中，我们调查了深度过滤泡，这指的是用户在其广泛兴趣范围内接触到狭窄的内容。我们使用中国顶级短视频平台的一年互动数据来完成这项工作，其中包括每个视频三个级别的类别层次结构数据。我们在这个背景下正式定义了“深度”过滤泡，然后探索了数据中的各种相关性：首先了解深度过滤泡随时间的演变，然后揭示一些导致这种现象的因素，例如特定类别、用户人口统计信息和反馈类型。我们观察到，虽然过滤泡中用户的整体比例随时间变化很小，但其过滤泡的深度组成发生了变化。此外，我们发现，某些人口统计群体更容易看到较窄的内容和隐含的反馈信号，这可能导致较少的过滤泡形成。最后，我们提出了一些推荐系统可以设计的方式，以减少用户陷入过滤泡的风险。

研究短视频平台上深度过滤泡现象，探究其演化规律和形成因素，提出降低用户过滤泡风险的解决方案。

通过对中国一家顶级短视频平台一年的交互数据进行分析，形式化定义了“深度”过滤泡，并探究了其演化规律和形成因素。研究发现用户过滤泡的整体比例虽然基本不变，但是过滤泡的深度构成在不断变化。同时，一些特定类别、用户人口统计学和反馈类型等因素会导致用户更容易看到狭窄的内容，而一些人口统计学群体则不容易形成过滤泡。

研究使用了一年的交互数据，并提出了“深度”过滤泡的概念。研究还发现了一些影响过滤泡形成的因素，提出了降低用户过滤泡风险的解决方案。

近期的相关研究包括《Filter Bubbles, Echo Chambers, and Online News Consumption》、《The Filter Bubble: What the Internet Is Hiding from You》等。