2024-WWW-Optimal Engagement-Diversity Tradeoffs in Social Media

Proceedings of the ACM on Web Conference 2024という会議。

Echo Chamber就是一直看和自己论点相同的意见会造成“自己的论点非常被支持”样的错觉，会导致政治思想极化。

但是，越echo chamber用户就越活跃=engagement越高。这里有一个问题就是为了防止echo chamber我们需要diversity，但是diversity会把平台降温。

这篇文章考虑了这样的trade-off 他们在保持一定的diversity的情况下提出一个engagement最大化问题的解法。

proposed method是这样的

Social Network是有向图
- 每个tweet都有类型一共有 $T$ 种，而每个用户的RT各种的tweet的概率也被事前定义的。
Markov Decision Model。
Engagement是把时间扩大为infty的情况下的RT数量，因为圈子有限的话总归会传到所有人，而想RT的人肯定就RT了。
proposed method提出了
- 只把engagement最大化的策略
- 保持一定diversity的情况下把engagement最大化的策略
主要结果如下
- 每个用户对于每种类型的tweet，都至少有概率 $\alpha$ 会RT
- 每个用户对于每种类型的tweet，都之多有概率 $\beta$ 会RT
- Tweet一共有 $T$ 种
- $\delta$ 代表每个用户会接触到的各种Tweet在占有全体接触到的Tweet中，最少的种类的ratio。
  - 最多就是 $1/T$ 都看到。最少就是0，代表有些类型的Tweet一句都没看到。
  - 可以说 $\delta$ 就是一个diversity指标，越高越有diversity。
  - 而保证diversity在这里也就是保证 $\delta$ 不低于某个数字。
- 实际上的tweet的数据集上，这个理论也是挺正确的。

$p_{tj}$ 是用户 $j$ 在看到Tweet的时候RT的概率。这个判断需要时间1
一共考虑的是时间 $T \to \infty$ 以后的事情。
如果用户 $i$ 把 $j$ 给follow，他将会看到 $j$ RT的Tweet。但是定义上看到上面是从所有 $following(i)$ 也就是 $i$ 所follow的所有人上等概率抽选，所以就是 $i$ 转发从 $j$ 那里看到的Tweet的概率是

用Matrix $A$ 可以表现这个，而policy通过 $\mathbf{b}_t \in [0,1]^n$ 来指定给用户种类 $t$ 的Tweet的预期数量。 $b_{ti}$ 是给用户 $i$ 的 $t$ 类型的Tweet的ratio。

之后就因为可以写成这样下面是简略。

\mathbf{x}^{k+1} = A_t \mathbf{x}^k + \mathbf{b}_t \\ \mathbf{x}^{k+1} = A \mathbf{x}^k + \mathbf{b}

这样就可以线性解出来。成为 $\mathbf{x}_t = (I-A_t)^{-1}\mathbf{b}_t$

对于情况 $\mathbf{x}_t$ 与RT概率 $\mathbf{p}_t$ 他们的inner product成为engagement

x轴是保证的diversity $\delta$ ，y轴是需要付出百分之多少的engagement。

Scaling Factor是相当于Matrix $A$ ，Incoming Retweets是相当于b。操控这两个都有效果。

据说在real dataset里面一个例子就是牺牲5%的engagement，来获得0.03的diversity。

实际上不错。