模拟用户观看时间以调查 YouTube Shorts 推荐中的偏见-计算机科学-推荐系统-生成式AI.pdfVIP

模拟用户观看时间以调查YouTubeShorts推荐

中的偏见

111,2

SelimhanDagtas,MertCanCakmak,NitinAgarwal

1COSMOSResearchCenter,UniversityofArkansas,LittleRock,USA.

2ICSI,UniversityofCalifornia,Berkeley,USA.

Contributingauthors:sedagtas@;mccakmak@;

nxagarwal@;

本

译摘要

中短视频平台如YouTubeShorts越来越影响信息的消费方式，然而，以互动驱动的

算法对内容曝光的影响尚不为人所理解。本研究调查了不同的观看行为，包括快速

1滚动或跳过视频，如何影响推荐视频的相关性和主题连贯性。我们使用超过404,000

v个视频的数据集，在更广泛的地缘政治主题和较为狭窄的冲突焦点之间模拟观众互

4动，其中包括与俄罗斯、中国、俄乌战争以及南海争端相关的主题。我们在不同的

3观看时间条件下评估推荐链中的相关性变化，并使用GPT-4o来评价视频之间的语

5义对齐度。我们的分析揭示了放大、漂移和主题泛化的模式，这对内容多样性和平

4

0台责任具有重要影响。通过结合计算机科学、媒体研究和政治传播的视角，这项工

.作为互动线索如何影响短视频生态系统中的算法路径提供了跨学科的理解。

7

0Keywords:YouTube短片,算法偏见,推荐系统,生成式AI,内容相关性,观看时长

5

2

:

v

i

x1介绍

r

a

理解推荐系统如何影响内容曝光是跨学科领域的重要关注点，包括计算机科

学、政治传播和媒体研究。随着数字平台越来越多地中介信息访问，即使是细微的

算法设计选择也能塑造公共话语、强化社会叙事并影响用户感知。YouTubeShorts

凭借其快速被动参与模式和全球影响力，提供了一个独特的环境来研究这些动态。

1

调查短视频推荐系统如何响应用户交互对于提高算法公平性和透明度以及为媒体

影响和信息完整性更广泛的辩论提供信息至关重要。

短视频平台改变了数字内容消费方式，自2021年推出以来，YouTubeShorts

已成为一股重要力量。该平台目前吸引了超过15亿月活跃用户[1]，其推荐引擎

极大地影响了观众所看到的内容。虽然先前的研究已经探讨了长视频中算法的行

为，但对短视频系统的理解仍然不足。最近的研究突显了Shorts推荐中的潜在偏

见，包括内容漂移和视觉操纵[2,3]。与长视频不同，Shorts几乎完全依赖轻量级

的互动信号，如滑动操作和观看时长，这需要新的框架来评估算法的影响。

本研究调查了模拟观看时间行为如何影响YouTubeShorts推荐内容的主题

相关性。我们提出以下研究问题：

•研究问题1:用户的观看时长行为如何影响YouTubeShorts算法推荐的视频主

题相关性随时间的变化？

•研究问题2：基于兴趣的观看时间是否比均匀的短观看时间更能增强推荐的相

关性？

•研究问题3：YouTubeShorts算法在推荐更广泛主题与更具体主题时，在多大

程度上保持了话题的特异性？

为了探讨这些问题，我们使用了四个主题数据集进