scopal affairsNEAR Social Recommender
Ein Empfehlungssystem für den dezentralen sozialen Graphen von NEAR. Embeddings und Verbindungen zweiten Grades machten Profile leichter auffindbar; die dünne Netzstruktur begrenzte die möglichen Empfehlungen.
Empfehlungssysteme in einem fragmentierten dezentralen sozialen Graphen
Netzwerktopologie, schwache Signale und die Grenzen sozialer Empfehlungen
Zusammenfassung
Dieser Artikel beschreibt den Entwurf und die Bereitstellung eines Empfehlungssystems für die soziale Plattform NEAR bei Pagoda Inc..
Das System kombinierte Ähnlichkeitserkennung, Netzwerkanalyse und durch die Blockchain beschränkten Datenzugriff, um Auffindbarkeit und Interaktion in einem dezentralen sozialen Graphen zu verbessern.
Statt sich allein auf die Modellleistung zu konzentrieren, zeigte diese Arbeit, wie die Netzwerktopologie Empfehlungsergebnisse grundlegend begrenzt.
Obwohl das System später zusammen mit near.social eingestellt wurde, lassen sich die Erkenntnisse auf dezentrale soziale Architekturen verallgemeinern.
1. Systemkontext
Die soziale Plattform NEAR bildete einen dezentralen sozialen Graphen mit:
- offener Profilerstellung
- schwachen Identitätsgarantien
- minimaler vorgeschriebener Struktur
- stark ungleichmäßigen Interaktionsmustern
Das Empfehlungssystem wurde nicht dafür entworfen, Gemeinschaften zu schaffen, sondern dafür, bedeutsame Verbindungen innerhalb einer bereits fragmentierten Topologie zu verstärken.
2. Beobachtung des Netzwerks
Eine Momentaufnahme des gerichteten Graphen vom März 2023 zeigte klare strukturelle Muster:
- Dichte Influencer-Knotenpunkte
Profile wieroot.nearundmob.nearfungierten als zentrale Verbindungspunkte und ermöglichten eine organische Einbindung in die Gemeinschaft. - Isolierte Knoten mit vielen Followern
Profile wieAuroraEcosystemNews.nearwiesen hohe Followerzahlen, aber schwache Verbindungen zweiten Grades auf, was zu brüchigen Sichtbarkeitsspitzen statt dauerhafter Einbettung führte.
Dies verdeutlichte eine zentrale Erkenntnis:
Die Followerzahl allein ist ein schlechter Indikator für soziale Integration.
Near.social – Teilmenge der angesagten Nutzer, März 2023.
3. Was ein Empfehlungssystem kann – und was nicht
Diese Beobachtungen rahmten das Problem neu.
In dezentralen sozialen Graphen:
- schaffen Empfehlungssysteme keine Struktur
- verstärken sie die bestehende Topologie
Ein Empfehlungssystem kann Verbindungen sichtbar machen, aber fehlende Verbindungen zweiten Grades nicht ausgleichen.
4. Systemarchitektur
Das Empfehlungssystem folgte einem mehrschichtigen Entwurf:
Erkennung angesagter Nutzer
Ein eigens entwickeltes Ranking aggregierte Interaktionssignale, um angesagte Profile zu identifizieren.
Die daraus entstehende Rangliste wurde in Governance- und veranstaltungsbezogenen Kontexten verwendet.
Ähnlichkeitserkennung
Mehrsprachige Einbettungen und Kosinusähnlichkeit erkannten thematische Überschneidungen zwischen Profilen und Inhalten und ermöglichten so kontextuelle Empfehlungen jenseits von Followergraphen.
Netzwerkerweiterung mit HITS
Ein Freunde-von-Freunden-Modell nutzte den HITS-Algorithmus, um Verbindungen zweiten Grades sichtbar zu machen, und betonte dabei die Unterscheidung zwischen Hubs und Autoritäten.
HITS wurde gegenüber PageRank bevorzugt, um die Rollendifferenzierung zu bewahren, erwies sich jedoch als empfindlich gegenüber dünner lokaler Vernetzung.
5. Blockchain als Beschränkung, nicht als Optimierung
Interaktionssignale wurden anonymisiert und mit begrenzter Granularität in das BOS integriert.
Die Blockchain-Schicht wirkte vor allem als Beschränkung:
- Begrenzung der Auflösung der Nachverfolgung
- Durchsetzung von Grenzen des Dateneigentums
- Verhinderung zentralisierter Verhaltensprofilbildung
Sie optimierte nicht die Empfehlungsqualität, sondern bestimmte, was zulässig war.
6. Technische Herausforderungen
Die Skalierung von lokalen Experimenten zu verteilter Berechnung (PySpark auf Databricks) führte nichttriviale Komplexität ein:
- Anpassung PyTorch-basierter Arbeitsabläufe
- Verwaltung der Parallelität über dünn besetzte Graphen
- Abwägung von Rechenkosten gegen geringe zusätzliche Empfehlungsgewinne
Diese Herausforderungen verstärkten eine wesentliche Lehre:
In dezentralen Systemen wächst die Infrastrukturkomplexität schneller als die Ausgereiftheit des Modells.
7. Wirkung und Grenzen
Das System verbesserte kurzfristig Auffindbarkeit und Interaktion.
Langfristige strukturelle Effekte konnten jedoch nicht empirisch validiert werden.
Dies legte eine wiederkehrende Herausforderung in dezentralen Ökosystemen offen:
Interventionen lassen sich leicht bereitstellen, sind aber im Längsschnitt schwer zu beobachten.
8. Strategiewechsel und Rückblick
Bis März 2024, nach einem großen Relaunch im August 2023, wurden near.social und BOS eingestellt, als Pagoda Inc. unter Leitung von Ilya Polosukhin zur Entwicklung von KI-Agenten überging.
Das Empfehlungssystem wurde eingestellt.
Die Erkenntnisse bleiben.
9. Zentrale Erkenntnis
In dezentralen sozialen Graphen schaffen Empfehlungssysteme keine Gemeinschaften.
Sie verstärken bestehende Struktur.
Die Qualität der Empfehlungen wird weniger durch die Modellwahl als durch die Netzwerktopologie begrenzt.
Praxisbericht. Unvollständige Daten. Bleibende Erkenntnis.
Weitere Ressourcen
Externe Medien öffnen beim Anklicken auf der jeweiligen Plattform.