arXiv cs.CY· Guangyuan Weng, Lin Chen, Ciro Beneduce, Giovanni Mauro, Massimiliano Luca, Takahiro Yabe, Bruno Lepri, Luca Pappalardo, Esteban Moro·· 10 小时前AI 评分48
研究：推荐系统反馈循环加剧城市收入隔离与场所消失
Recommendation Feedback Loops Shape Urban Income Segregation and Venue Visitation
AI 导读
基于美国四大都市区细粒度出行数据的长时模拟发现，在各类推荐算法下至少五分之一餐饮场所不再有模拟居民到访，其中过半损失源于模型重训练。算法越准确，人群隔离反而越严重，最准确的算法使实际隔离程度高出 15-21%。在平台现有算法上叠加偏好冷门场所的重排序干预，可同时降低场所消失与隔离，且基本不会把人引向不适的场所。
正文 · AI 翻译
摘要：基于位置的推荐系统塑造人们在城市中去往何处，并从它们所引导的到访中学习，形成人机反馈回路。这一反馈回路塑造了不同收入群体之间人们与谁分享地点，以及哪些场所持续吸引顾客。然而，平台以系统在过往到访上的离线准确率来评判这些系统，而在这类测试中，推荐建议从不会改变人们去往何处，因此无法捕捉长期影响。在城市中研究这些影响颇具挑战，因为与在线资源不同，出行约束和有限的场所容量塑造了人们能去往何处，而每一次被推荐的到访也会改变其他访客会遇到谁。为捕捉这些特征，我们基于来自美国四个大都市区的细粒度人类移动数据，构建了一个考虑距离和容量约束的长期仿真框架。聚焦餐饮场所，我们研究两种城市后果：人们的接触在不同收入群体之间分布得有多不均衡（体验到的收入隔离），以及未收到模拟居民到访的场所占比（场所消失）。我们发现，在每种算法下、在每个大都市区中，至少有五分之一的场所不再收到到访，且这一损失中超过一半来自重新训练。更重要的是，更准确的算法使人们更加隔离，而最准确的算法使人们的隔离程度比实际情况高出 15-21%。随后我们测试了一种重排序干预，它偏向较不受欢迎的场所，并运行在平台现有算法之上。它在各种算法下都降低了场所消失和隔离，且基本没有把人们引向他们可能感到不太舒适的场所。我们的结果表明，推荐系统的影响评估应考虑反馈回路，并在准确率之外报告隔离和场所消失。
| 评论： | 13 页，5 幅图，7 张表。代码：此 https URL |
| 主题： | 信息检索（cs.IR）；计算机与社会（cs.CY）；社会与信息网络（cs.SI）；物理与社会（physics.soc-ph） |
| ACM 分类： | H.3.3；J.4 |
| 引用为： | arXiv:2610.41911 [cs.IR] |
| （或 arXiv:2610.41911v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41911 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Guangyuan Weng [查看邮箱]
[v1]
2026 年 10 月 30 日星期五 15:47:06 UTC（479 KB）
来源：arXiv cs.CY · arxiv.org