💻 computer science

Combining opinion and structural similarity in link recommendations to counter extreme polarization

本文表明，尽管观点相似性和结构相似性都会驱动社交网络中的极化现象，但在链接推荐算法中策略性地结合这两种机制，可以防止网络碎片化并促进温和观点的共存。

原作者： Gabriella Dantas Franco, Marta C. Couto, Vítor V. Vasconcelos, Fernando P. Santos

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Gabriella Dantas Franco, Marta C. Couto, Vítor V. Vasconcelos, Fernando P. Santos

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正走在一个巨大且繁忙的数字城镇广场上。在这个城镇里，有两种无形的力量在不断地决定着你接下来会遇见谁、与谁交谈。这些力量就是社交媒体应用中使用的“推荐算法”。

这项研究提出了一个简单但至关重要的问题：当这些算法使用两种不同的规则来介绍人与人之间的关系时，城镇的情绪和结构会发生什么变化？

以下是这两种规则以及研究人员发现的内容，使用了简单的类比。

游戏的两种规则

研究人员模拟了一个数字城镇，其中的人们拥有观点（比如“我喜欢这个”或“我讨厌那个”）。算法尝试根据两种不同的“相似性”规则将人们联系在一起：

“志趣相投”规则（观点相似性）： 这是同质性（Homophily）。算法说：“你喜欢吃辣且讨厌下雨？那让我们找另一个也喜欢吃辣且讨厌下雨的人。”它将那些想法一致的人联系在一起。
“共同好友”规则（结构相似性）： 这是三元闭包（Triadic Closure）。算法说：“你和鲍勃都认识爱丽丝。既然你们有一个共同的朋友，那么你们应该认识一下。”它根据人们共享的网络来连接彼此，而不管他们的观点如何。

实验：混合规则

研究人员构建了一个数字城镇的计算机模型。他们让人们互相交流、根据交谈对象改变想法，然后让算法向他们介绍新的人。他们测试了算法的不同“配方”：

配方 A： 100% “志趣相投”（只连接观点相似的人）。
配方 B： 100% “共同好友”（只连接有共同好友的人）。
配方 C： 两者的混合。

结果：城镇发生了什么？

1. 两种规则都会制造“回声壁效应”（极化）

研究人员发现，如果这两种规则使用得过于强烈，最终都会让城镇变成两个分离且愤怒的阵营。

如果算法只连接想法一致的人，城镇就会分裂成两组：一个“支持派”阵营和一个“反对派”阵营。他们不再互相交流，观点也变得更加极端。
如果算法只通过共同好友来连接人们，城镇最终也会分裂成两个持有对立观点的阵营。

类比： 想象一场派对，每个人都只和那些与自己意见一致的人聊天。最终，房间会分裂成两个圆圈，隔着房间向对方大喊大叫。

2. 区别在于城镇是如何“破碎”的

虽然两种规则都会导致分裂，但它们破坏城镇的方式不同：

“志趣相投”规则创造了一个干净、锐利的分裂。你会得到两个规模相等的大型群体，它们完全脱节。这就像是一场离婚，房子被完美地切成了两半。
“共同好友”规则创造了一个混乱、碎片化的分裂。你会看到一个巨大的、联系紧密的多数群体，但除此之外，还有许多细小的、孤立的小组岛屿。城镇不仅仅是分裂成了两部分，而是碎裂成了许多碎片。

3. 秘诀所在：一点点“共同好友”能拯救局面

这是最重要的发现。研究人员发现，如果算法主要侧重于连接那些想法一致的人（这正是导致极端愤怒和极化的原因），只要加入一点点“共同好友”规则，情况就会发生改变。

没有混合时： 城镇碎裂成一个个孤立的岛屿，观点变得极端。
有了小量混合后： 城镇保持为一个大的整体。尽管人们仍有不同的观点，但他们不会分裂成孤立的孤岛。 “共同好友”规则起到了桥梁或安全网的作用，防止整个城镇彻底崩溃。

类比： 把“志趣相投”规则想象成一阵把城镇吹散的强风。把“共同好友”规则想象成几根把建筑系在一起的强韧绳索。如果在一个风大的日子里，你仅仅添加了一些绳索（一小部分结构相似性），城镇就能屹立不倒，人们即使意见不一，依然可以互相倾听。

核心结论

论文得出结论，虽然社交媒体算法自然地会将我们推向极端的极化，但我们不必接受一个破碎、碎片化的社会。

如果我们微调推荐算法，使其减少仅仅依赖于“和你想法一致的人”，并稍微增加对“和你拥有共同好友的人”的关注，我们就能保持网络的连接。这种微小的改变可以让不同的观点共存，而不会让整个系统破碎成孤立且愤怒的岛屿。

简而言之：为了防止城镇破碎，不要只把人们介绍给他们的克隆人；也要把他们介绍给邻居的邻居。

技术摘要：结合观点与结构相似性以应对极端极化的链接推荐

问题陈述
在线社交网络（OSNs）严重依赖链接推荐算法来调解用户交互，从而影响信息扩散和网络演化。这些算法通常利用两种基本的社会纽带形成机制：同质性（基于属性如观点的相似性而与相似者建立联系的倾向）和三元闭包（基于结构相似性而与朋友的朋友建立联系的倾向）。虽然这些机制在单独研究时已被充分理解，但它们在网络结构与用户观点协同演化方面的综合效应仍不明确。具体而言，目前尚不清楚基于观点的推荐与基于结构的推荐之间的相互作用如何影响长期结果，例如极化、网络碎片化以及回声壁效应的出现。现有的实证研究由于存在混淆因素和反馈循环，难以将这些机制解耦；而理论模型往往假设观点是静态的或网络特征是静态的。

方法论
作者提出了一个机械性的协同演化模型，用于模拟在线社交网络中观点与网络拓扑的联合动态。该模型在一个无向图上运行，其中节点代表用户，边代表活跃连接。

网络动态（链路重连）：
- 模型模拟了一个“重连”过程，在每个时间步，一个焦点节点会选择并建立一个新的连接，同时断开一个现有的连接（保持恒定的边数，反映了“注意力预算”）。
- 在节点 $i$ $i$ 和 $j$ $j$ 之间推荐新链接的概率是两种相似性度量的加权插值：
  $P[A_{ij}^{t+1} = 1] = \rho H_{ij}(t) + ( - \rho) S_{ij}(t)$
  - $H_{ij}$ （观点相似性）： 基于用户观点（ $x_i, x_j$ ）之间的距离。它模拟了同质性。
  - $S_{ij}$ （结构相似性）： 基于共同邻居的数量（ $|N_i \cap N_j|$ ）。它模拟了三元闭包。
- 参数：
  - $\rho \in [0, 1]$ ：控制观点相似性与结构相似性的权重。
  - $\beta, \eta$ ：控制观点相似性和结构相似性强度的非线性指数。
  - $\epsilon$ ：噪声参数，用于防止发散并允许跨组连接。
观点动态：
- 观点是实值变量（ $x_i \in \mathbb{R}$ ），代表对单一话题的立场。
- 在重连步骤后，观点根据有界影响规则同步更新：
  $x_i^{t+1} = \gamma x_i^t + K \sum_{j} \frac{A_{ij}^t}{k_i^t} \tanh(\alpha x_j^t)$
- 机制：
  - 衰减 ( $\gamma$ )： 如果没有得到强化，观点会自然向中立立场（0）衰减，模拟了失去相关性的“热点话题”。
  - 影响 ( $K, \alpha$ )： 用户受其邻居平均观点的影响，并具有非线性饱和特性（ $\tanh$ ），以限制极端观点的强度。
指标：
- 极化（Polarization）： 通过观点向量的标准差（离散度）来衡量。
- 激进化（Radicalization）： 通过平均绝对观点（极端性）来衡量。
- 碎片化（Fragmentation）： 通过网络的连通分量数量来衡量。

核心贡献与结果
本研究系统地探索了由相似性强度（ $\beta = \eta$ ）和推荐权重（ $\rho$ ）定义的参数空间。

极化的涌现： 观点相似性（同质性）和结构相似性（三元闭包）在超过一定阈值时，都会独立导致极化状态。然而，极化的性质有所不同：
- 高 $\rho$ （观点驱动型）： 会导致突然向双峰、高度极化的状态转变，形成两个庞大且对立的群体。该机制具有较低的碎片化阈值。
- 低 $\rho$ （结构驱动型）： 也会导致极化，但会导致网络产生更多的连通分量（碎片化）。群体中的平均观点往往偏向一个方向，且实现向极化转变需要超线性的相似性强度。
网络碎片化：
- 过度依赖观点相似性（ $\rho > 0.5$ ）会导致网络迅速碎片化为两个主要的、不连通的组件。
- 过度依赖结构相似性（ $\rho < 0.5$ ）使网络对碎片化更具韧性，即使在强相似性约束下也通常能维持单个连通组件，尽管在相似性强度极高时仍可能产生许多小的、不连通的簇。
缓解激进化：
- 作者发现了一个温和观点可以共存的机制。通过在一个由同质性主导的系统中引入微弱的结构相似性（三元闭包）依赖，可以防止极端的网络碎片化。
- 具体而言，当 $\rho$ 较高（强同质性）时，引入亚线性结构相似性权重（ $\eta < 1$ ）可以抑制激进化。这使得在单一且互动的网络结构中维持温和观点的共存成为可能，避免了纯同质性模型中所见的极端隔离现象。

意义与主张
本文声称，虽然由相似性驱动的推荐本质上容易产生极化的社区，但所使用的相似性类型决定了结构和观点的结果。其主要意义在于证明了结构相似性（三元闭包）可以作为同质性极化效应的平衡力量。

作者认为，如果算法设计能够显式地纳入对结构相似性的微弱依赖（即使在用户强烈偏好基于观点的连接的环境下），则可以：

防止网络碎片化为孤立的回声壁。
降低观点的激进化（极端性）水平。
在单一的、相互作用的网络结构内促进温和观点的共存。

研究结论指出，这些发现为设计能够显式考虑相互作用的社会机制、从而减轻极端极化而不牺牲推荐效用的推荐算法提供了一条潜在路径。作者指出，这些结果源于一个具有特定假设（如固定网络规模、特定观点动态）的程式化模型，并建议需要进一步研究以测试其在不同类别观点动态和网络拓扑下的鲁棒性。