Умный алгоритм нейтрализует эхо-камеры в Интернете, ускоряя модерацию в социальных сетях
Социальные сети в Интернете часто образуют противоположные эхо-камеры, которые усиливают поляризацию мнений. В соответствии с моделью Фридкина-Джонсена (FJ) ModerateInternal (MI) и ModerateExpressed (ME) уменьшают поляризацию, нейтрализуя внутренние или выраженные мнения отдельных пользователей, но существующие решения в значительной степени зависят от модели, а деполяризация, основанная на обучении, остается недостаточно изученной. Мы изучаем модерацию на основе FJ как авторегрессионное последовательное планирование без обратной связи и предлагаем PACIFIER, унифицированную структуру обучения на графах, которая конструирует упорядоченные последовательности вмешательств из исходного экземпляра мнения на графике без использования пересчитанных мнений, высказанных после вмешательства, в качестве промежуточной обратной связи. PACIFIER сочетает в себе представления узлов с учетом истории с вариантами Greedy и RL для немедленной и долгосрочной оценки действий, а также поддерживает MI, ME, непрерывное мнение, экономичную модерацию и удаление узлов. Мы оцениваем траектории вмешательства с помощью накопленной нормализованной поляризации (ANP). Обученный только на синтетических графах с числом узлов менее 50, PACIFIER передает данные в 15 реальных сетей Twitter с числом узлов до 155 599. Он превосходит самый сильный базовый уровень, не связанный с PACIFIER, до 35.3%, а PACIFIER-RL превосходит PACIFIER-Greedy до 37.69%. По сравнению с Greedy в стиле Oracle, PACIFIER сохраняет качество 98.94% и 97.39%, близкое к Oracle, на MI и ME соответственно и работает примерно на 600x быстрее в диапазоне 450 узлов. Исходный код доступен по адресу https://github.com/RickyYY-SZU/PACIFIER.
## В чем суть открытия PACIFIER — это платформа искусственного интеллекта, которая уменьшает поляризацию социальных сетей за счет разумного планирования пошаговых действий для ключевых пользователей без необходимости обратной связи в реальном времени после каждого шага. ## Как это устроено: принцип работы Он описывает деполяризацию социальных сетей по модели Фридкина-Джонсена как последовательное планирование без обратной связи. Используя представления узлов с учетом истории в сочетании с оценкой жадного обучения или обучения с подкреплением, он создает упорядоченные последовательности вмешательств непосредственно из исходной топологии сети. ## Что это меняет на практике Позволяет администраторам платформы эффективно ограничивать политические эхо-камеры в больших масштабах (до 150 тыс.+ узлов) с помощью 600x, более быстрой обработки, чем традиционные методы. ## Границы метода и риски Оценивается в первую очередь с помощью теоретических моделей динамики мнений; Реальные социальные платформы могут демонстрировать нелинейное человеческое поведение, которое не полностью отражается статическими уравнениями. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Accumulated Normalized Polarization (ANP), execution runtime speedup, near-oracle quality retention - **Размер выборки / валидация:** N = 15 real-world Twitter networks (up to 155,599 nodes) and synthetic graphs (<50 nodes) - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)