[论文解读] Fairness in Online Social Network Timelines: Measurements, Models and Mechanism Design
本文提出了一种可复现的方法论，结合测量、基于时间戳存活时间（TTL）的分析模型以及公平性驱动的机制设计，以审计 Facebook 新闻推送算法中的偏见。研究揭示了显著的可见性和占用偏见——尤其在时间线顶部位置，即使对中立用户也是如此——并由此提出了一种新颖、透明的基于效用的公平性机制，用于内容筛选。
Facebook News Feed personalization algorithm has a significant impact, on a daily basis, on the lifestyle, mood and opinion of millions of Internet users. Nonetheless, the behavior of such algorithm lacks transparency, motivating measurements, modeling and analysis in order to understand and improve its properties. In this paper, we propose a reproducible methodology encompassing measurements, an analytical model and a fairness-based News Feed design. The model leverages the versatility and analytical tractability of time-to-live (TTL) counters to capture the visibility and occupancy of publishers over a News Feed. Measurements are used to parameterize and to validate the expressive power of the proposed model. Then, we conduct a what-if analysis to assess the visibility and occupancy bias incurred by users against a baseline derived from the model. Our results indicate that a significant bias exists and it is more prominent at the top position of the News Feed. In addition, we find that the bias is non-negligible even for users that are deliberately set as neutral with respect to their political views, motivating the proposal of a novel and more transparent fairness-based News Feed design.
研究动机与目标
- 为解决 Facebook 新闻推送算法缺乏透明度和可审计性的问题，该算法深刻影响用户的信息摄入结构和政治观点。
- 测量并建模过滤机制如何影响出版商在用户时间线中的可见性和占用率，特别是在个性化排序下的情况。
- 设计一种公平性感知的机制，平衡用户偏好与出版商的公平曝光，以促进内容多样性。
- 通过发布数据集和独立于 Facebook API 的浏览器工具，支持公众可复现的研究。
- 通过可解释、可审计且基于原则的内容分配方式，支持 GDPR 合规性与算法问责制。
提出的方法
- 开发了一款浏览器扩展，可自主从用户端实时收集新闻推送内容及其元数据，绕过 Facebook 受限的 API。
- 提出了一种分析性 TTL 基模型，量化过滤策略下出版商在时间线中的可见性和占用率。
- 利用 2018 年意大利大选期间收集的实证数据校准并验证该模型，重点关注用户“点赞”资料和政治内容。
- 采用凸效用函数（如 α-公平性）构建基于效用的机制设计，以平衡用户偏好与出版商公平性。
- 通过模拟不同过滤场景（如无过滤）进行“假设分析”，评估相对于基线模型的偏见程度。
- 将基于效用的缓存设计原则融入社交媒体内容筛选，实现公平性感知的有限时间线空间分配。
实验结果
研究问题
- RQ1新闻推送算法的过滤行为如何根据用户‘点赞’资料而变化，特别是在时间线最顶端的位置？
- RQ2即使用户在政治上保持中立，算法在多大程度上仍会引入出版商的可见性和占用偏见？
- RQ3不同过滤策略对出版商可见性的影响如何？基线模型如何用于量化偏见？
- RQ4能否设计一种公平性驱动的机制，以在用户偏好与多样化出版商的公平曝光之间取得平衡？
- RQ5如何在不依赖专有 API 的前提下，实现社交媒体内容筛选的透明度与可审计性？
主要发现
- 新闻推送算法显著放大了可见性偏见，尤其在时间线最顶端位置，仅有一小部分关注的出版商被呈现。
- 即使用户通过不‘点赞’任何页面明确避免政治内容，仍会受到非均匀过滤的影响，表明偏见已超越用户偏好，成为系统性问题。
- 所提出的 TTL 基模型准确捕捉了出版商可见性和占用率的动态变化，使替代过滤策略的可靠假设分析成为可能。
- 在‘无过滤’场景下，当前算法引入了显著偏见，部分出版商的可见性远超合理水平。
- 公平性驱动的机制设计成功平衡了用户偏好与出版商公平性，为不透明排序系统提供了一种有原则、可审计的替代方案。
- 测量方法与公开数据集支持可复现研究，并助力实现 GDPR 合规的算法筛选透明度。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。