Most existing personalization systems promote items that match a user's previous choices or those that are popular among similar users. This results in recommendations that are highly similar to the ones users are already exposed to, resulting in their isolation inside familiar but insulated information silos. In this context, we develop a novel recommendation framework with a goal of improving information diversity using a modified random walk exploration of the user-item graph. We focus on the problem of political content recommendation, while addressing a general problem applicable to personalization tasks in other social and information networks. For recommending political content on social networks, we first propose a new model to estimate the ideological positions for both users and the content they share, which is able to recover ideological positions with high accuracy. Based on these estimated positions, we generate diversified personalized recommendations using our new random-walk based recommendation algorithm. With experimental evaluations on large datasets of Twitter discussions, we show that our method based on \emph{random walks with erasure} is able to generate more ideologically diverse recommendations. Our approach does not depend on the availability of labels regarding the bias of users or content producers. With experiments on open benchmark datasets from other social and information networks, we also demonstrate the effectiveness of our method in recommending diverse long-tail items.

中文翻译：

---

随意漫步：在社交和信息网络上多样化的个性化建议

大多数现有的个性化系统会推广与用户先前选择匹配的项目或在相似用户中流行的项目。这导致建议与用户已经接触过的建议高度相似，从而将建议隔离在熟悉但隔离的信息孤岛内。在这种情况下，我们开发了一种新颖的推荐框架，其目标是使用对用户项目图的修改后的随机游动探索来改善信息多样性。我们关注政治内容推荐的问题，同时解决适用于其他社交和信息网络中的个性化任务的一般问题。为了推荐社交网络上的政治内容，我们首先提出一种新模型来估算用户及其共享内容的意识形态立场，能够高精度地恢复思想立场。基于这些估计的位置，我们使用新的基于随机游走的推荐算法来生成多样化的个性化推荐。通过对Twitter讨论的大型数据集进行实验评估，我们表明，基于\ emph {带有擦除的随机游走}的方法能够产生更多意识形态上的建议。我们的方法不依赖于有关用户或内容生产者偏见的标签的可用性。通过对来自其他社交和信息网络的开放基准数据集的实验，我们还证明了我们的方法在推荐各种长尾物品时的有效性。我们使用新的基于随机游走的推荐算法来生成多样化的个性化推荐。通过对Twitter讨论的大型数据集进行实验评估，我们表明，基于\ emph {带有擦除的随机游走}的方法能够产生更多意识形态上的建议。我们的方法不依赖于有关用户或内容生产者偏见的标签的可用性。通过对来自其他社交和信息网络的开放基准数据集的实验，我们还证明了我们的方法在推荐各种长尾物品时的有效性。我们使用新的基于随机游走的推荐算法来生成多样化的个性化推荐。通过对Twitter讨论的大型数据集进行实验评估，我们表明，基于\ emph {带有擦除的随机游走}的方法能够产生更多意识形态上的建议。我们的方法不依赖于有关用户或内容生产者偏见的标签的可用性。通过对来自其他社交和信息网络的开放基准数据集的实验，我们还证明了我们的方法在推荐各种长尾物品时的有效性。我们的方法不依赖于有关用户或内容生产者偏见的标签的可用性。通过对来自其他社交和信息网络的开放基准数据集的实验，我们还证明了我们的方法在推荐各种长尾物品时的有效性。我们的方法不依赖于有关用户或内容生产者偏见的标签的可用性。通过对来自其他社交和信息网络的开放基准数据集的实验，我们还证明了我们的方法在推荐各种长尾物品时的有效性。