Multistakeholder Impacts of Profile Portability in a Recommender Ecosystem

在 36 個情境模擬中，引入利基推薦器後小眾消費者效益最高達 +192.2%；但最大獲益的設計條件，不是最符合 GDPR 精神的「用戶所有制」，反而是最保守的「演算法獨有」——科羅拉多大學這項研究揭示，資料自主權政策與推薦精準度之間存在真實的結構性張力。

演算法多元化（Middleware）：讓用戶選擇自己的推薦器

今日主流推薦系統，由單一平台控制單一演算法，所有用戶接受同一套推薦邏輯。這種設計對口味偏向主流的多數用戶尚可，但對具有獨特偏好的小眾族群往往只能提供次優體驗。Middleware（中介層）或「演算法多元化（algorithmic pluralism）」的概念提出另一種可能：將推薦演算法從平台解耦，讓用戶選擇偏好的演算法，如同在「友善街坊演算法商店」購物。在這種市場化生態系中，演算法設計者可以專門服務特定受眾，整體的消費者和內容提供者都可能比「通吃式」設計取得更好結果。Buhayh 等人先前的模擬研究已確認，在通用加利基雙推薦器並存的生態系中，小眾用戶確實獲益，利基內容提供者也能在幾乎不損害主流用戶效益的前提下取得更好成績。本文更進一步追問：當用戶在演算法之間切換時，他們的歷史資料應如何處理？ 這不只是技術問題，更是牽涉 GDPR（歐盟一般資料保護規則）、EU Digital Markets Act 與 CCPA 等法規的政策選擇。

SMORES 模擬框架的四種資料可攜情境設計

研究者從「獨家性（exclusivity）」與「永久性（permanence）」兩個維度構建四種資料可攜情境。獨家性指用戶切換演算法時，原有資料是否可隨之轉移；永久性指用戶離開後，舊系統是否繼續保留其資料。Algorithm-Specific（演算法獨有）——獨家且永久——是當前商業平台主流標準；Cold Start（冷啟動）——獨家且非永久——最嚴格，用戶無法攜帶資料且離開時資料被刪除，類似「機器遺忘（machine unlearning）」系統；User Ownership（用戶所有）——非獨家且非永久——用戶可攜帶資料至新演算法且舊平台不得留存，最符合 GDPR Article 20 精神；Universal Profile（通用資料庫）——非獨家且永久——所有平台持續共享存取，類似共享基礎設施。

模擬平台 SMORES（Simulation Model for Recommender EcoSystems，推薦生態系統模擬框架）以 ALS（交替最小平方法）、BPR（貝葉斯個人化排名）、ItemKNN（物品相似度 K 近鄰）三種排名演算法，在亞馬遜電玩、Goodreads 書籍、MovieLens 電影三個真實資料集上測試四種情境，共 36 個情境，每個以 5 組隨機種子重複。所有消費者最初連接通用推薦器，前兩個週期禁止切換以建立互動歷史，之後若效益低於閾值 τ = 0.2 才觸發切換決策。

消費者效益：35/36 情境小眾獲益，最高 +192.2%

就消費者效益而言，引入利基推薦器後，35/36 個情境中小眾消費者效益較基線（僅有通用推薦器）為正，增幅涵蓋 -4.2% 到 +192.2%。資料集間差異顯著：亞馬遜電玩小眾消費者漲幅最大（+22.2% 到 +192.2%），MovieLens 幅度居中（-4.2% 到 +46.5%），Goodreads 變化最小（+1.0% 到 +7.1%）。Goodreads 差異小的原因在於其物品平均相似度（0.0825）遠高於 MovieLens（0.0384）和亞馬遜電玩（0.0235），導致利基內容在各條件下推薦比例均接近 32.75%，而 MovieLens 僅 17.32%、亞馬遜電玩更只有 6.04%。

演算法層面，ItemKNN 在大多數資料集和條件下為利基消費者帶來最高效益，但也讓通用消費者損失最多——因為利基用戶遷移剝奪了 ItemKNN 生成多樣化推薦所需的資料基礎。通用消費者整體不樂觀，36 情境中僅 7 個出現效益正增長，幅度在 -26.4% 到 +3.9% 之間。最值得關注的是可攜條件的比較：演算法獨有與冷啟動這兩個最保守的條件，反而在多數資料集（尤其是 MovieLens 和亞馬遜電玩）帶給小眾消費者最大增益（+2.6% 到 +192.2%），與研究者的初始預期完全相反。

利基提供者效益 +356.9% 到 -63.2%：資料集決定命運

利基提供者普遍獲益，但幅度因資料集與演算法懸殊，全區間達到 -63.2% 到 +356.9%。通用提供者幾乎在所有情境下都承受損失（-34.7% 到 +2.9%，僅兩個情境例外），符合引入專屬推薦器後必然分流流量的預期。Goodreads 是明顯例外：利基提供者在大多數情境下反而損失效益，因為 Goodreads 利基商品本就佔全部目錄的 32.75%，利基提供者基線效益（1.622–4.124）已接近通用提供者（2.182–3.950），而 MovieLens 和亞馬遜電玩的利基提供者起點遠低（MovieLens：利基 1.576–4.420 vs. 通用 6.822–7.759；亞馬遜電玩：利基 1.486–1.697 vs. 通用 7.546–9.305），故改善空間更大。在可攜情境的交叉比較中，提供者效益沒有一致性模式——同一資料集在不同演算法下，最佳可攜條件的排序可能截然相反。

非獨家共享為何傷害利基推薦精準度

研究者為這個反直覺結果提供了機制性解釋：非獨家條件允許通用用戶切換至利基推薦器時帶入自己的歷史資料，但這批資料對利基推薦器而言是雜訊而非信號。「好奇但終究不感興趣」的通用用戶攜帶大量與利基口味無關的互動歷史，稀釋了利基推薦器的精準焦點，使其推薦向主流偏移。若資料是永久性的（Universal Profile），這些雜訊資料更持續影響後續推薦；在高度依賴個別用戶歷史的 ItemKNN 下，效果尤為顯著。Goodreads 中這個效應相對減弱，正因其利基用戶與通用用戶本就相似，引入通用用戶資料造成的干擾自然有限。

這個發現對資料政策有重要含義：GDPR 所賦予的資料可攜與刪除權利應受尊重，但推薦系統——尤其是服務利基受眾的推薦器——在整合外來資料時需更謹慎選擇，而非無差別吸納所有可取得的歷史資料。有趣的是，GDPR 的資料最小化原則（Article 5(1)(c)）在此找到意外盟友：減少資料留存，在某些情境下反而有助於提升推薦品質。研究者最終強調，資料可攜並非演算法多元化推廣的根本障礙——即便在最嚴格的可攜情境下，引入演算法選擇對消費者仍然普遍有益，生態系建設者可以在可攜政策落地之前先行推動演算法多元化。

演算法多元化比資料自由流動更能立即改善利基用戶體驗；等待資料可攜協商不必是推廣演算法選擇的前提條件。