重塑偏见：通过自动化重写降低新闻推荐系统中的媒体偏见极化

《ACM Transactions on Recommender Systems》：Rewriting Bias: Automated Rewriting to Reduce Media Bias Polarisation in News Recommender Systems

媒体偏见加剧社会极化，本研究提出基于句子重写和大型语言模型的技术，通过词汇替换优化新闻内容中立性，并评估其在推荐系统中的效果，为构建透明推荐系统提供多维评估框架。

　　

摘要

新闻报道中的媒体偏见显著影响了公众的看法和社会动态。数字平台广泛采用的个性化新闻推荐系统往往通过放大用户的既有偏好、形成信息茧房以及加剧意识形态分歧，从而加剧了两极分化的趋势。为了解决这一问题，本研究探讨了句子重写作为一种新的策略，以减轻偏见新闻内容的传播所带来的两极分化。我们提出了利用词汇替换方法和大型语言模型（LLMs）的自动化技术，将带有偏见的新闻内容重写为中性版本，同时保持其含义和可读性。广泛的实验评估了句子重写在新闻推荐反馈循环的各个组成部分（包括用户阅读历史、候选新闻数据集和训练数据集）中的有效性。实验结果表明，句子重写能够在降低偏见新闻内容传播中的媒体偏见两极分化的同时，维持或提高推荐准确性。此外，本研究通过多维度评估框架对媒体偏见两极分化的缓解效果进行了全面评估，并探讨了在新闻推荐中解决媒体偏见两极分化所面临的伦理和社会挑战。同时，它也强调了需要平台、新闻组织和用户共同努力，以推动更加透明的新闻推荐系统的发展。