[论文解读] Mitigating Confirmation Bias on Twitter by Recommending Opposing Views

Elisabeth Lex, Mario Wagner+1 more|arXiv (Cornell University)|Sep 11, 2018

Misinformation and Its Impacts参考文献 9被引用 8

一句话总结

本文提出了一种混合内容推荐系统，通过在Twitter上增加用户接触对立政治观点的机会，以缓解确认偏误。该系统利用TF-IDF三元语法向量和Apache Solr的MoreLikeThis实现余弦相似度，推荐来自支持特朗普和反对特朗普群体的推文，从而提升惊喜度与多样性——尤其在混合内容时表现更优，尽管最佳混合比例取决于各群体固有的多样性。

ABSTRACT

In this work, we propose a content-based recommendation approach to increase exposure to opposing beliefs and opinions. Our aim is to help provide users with more diverse viewpoints on issues, which are discussed in partisan groups from different perspectives. Since due to the backfire effect, people's original beliefs tend to strengthen when challenged with counter evidence, we need to expose them to opposing viewpoints at the right time. The preliminary work presented here describes our first step into this direction. As illustrative showcase, we take the political debate on Twitter around the presidency of Donald Trump.

研究动机与目标

• 通过增加用户接触对立政治观点的机会，解决社交媒体中的确认偏误问题。
• 设计一种基于内容的推荐系统，整合来自支持特朗普和反对特朗普的Twitter用户的内容。
• 评估混合推荐在提升多样性与惊喜度方面的作用，超越传统准确率指标。
• 确定支持不同政党的内容之间的最优混合策略，以在最大化推荐质量的同时最小化对既有信念的强化。
• 探索引入跨党派内容的最佳时机与情境触发因素，以提高接受度并减少反弹效应。

提出的方法

• 使用手动选择的党派标签，从39,698个账号中收集了73,868条推文，以识别支持特朗普和反对特朗普的用户。
• 通过关注者、粉丝、点赞和推文数量的四分位距过滤账号，排除管理账号或异常账号，最终获得5,672个英文用户。
• 通过拼接每位用户的所有推文并计算TF-IDF三元语法向量，再利用余弦相似度与议题立场向量进行分类，从而提取用户立场。
• 利用Apache Solr的MoreLikeThis实现基于内容的过滤推荐系统，根据用户最频繁术语的前15个三元语法推荐推文。
• 生成包含10万条推文的推荐集合（5万条支持特朗普，5万条反对特朗普），并通过用户三元语法与候选推文之间的余弦相似度计算推荐结果。
• 使用惊喜度与多样性指标评估四种推荐变体：标准（同立场）、对立立场，以及混合（50/50）推荐。

实验结果

研究问题

• RQ1 如何设计基于内容的推荐系统，以在Twitter上增加用户接触对立政治观点的机会？
• RQ2 混合支持与反对特朗普的推文对推荐结果的多样性与惊喜度有何影响？
• RQ3 政党内部用户群体的固有主题相似性如何影响推荐的多样性？
• RQ4 支持与反对特朗普内容的最优混合比例是多少，才能最大化推荐的多样性与惊喜度？
• RQ5 在什么时间点引入跨党派内容，最有利于提高用户接受度并减少反弹效应？

主要发现

• 混合推荐变体在支持特朗普和反对特朗普用户中均取得最高多样性得分，分别为0.728和0.701，表明有效混合了多样化内容。
• 对立立场推荐变体在每组中均取得最高惊喜度，反对特朗普用户为0.951，支持特朗普用户为0.943，表明推荐对立群体内容能显著提升意外性与新颖性。
• 反对特朗普用户组的平均主题相似度（44.6%）显著高于支持特朗普用户组（27.7%），表明反对特朗普群体的内在多样性更低。
• 混合方法在多样性方面优于纯立场推荐，但必须根据群体层面的多样性差异调整内容比例，以实现最优效果。
• 在反对特朗普用户中，'支持特朗普'推荐变体在多样性上优于混合变体，表明过度代表更同质化的群体将降低整体多样性。
• 本研究证实，除准确率外，惊喜度与多样性等指标对评估旨在减少极化与确认偏误的系统至关重要。