很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請(qǐng)把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會(huì)有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒?qǐng)聯(lián)系：鳥哥筆記小羽毛（ngbjxym）
本文基于ECML-PKDD-2020論文《Social Influence Attentive Neural Network for Friend-Enhanced Recommendation》，由北京郵電大學(xué)、騰訊微信、新加坡管理大學(xué)合作完成。
隨著在線社交網(wǎng)絡(luò)的興起，許多社交應(yīng)用程序中出現(xiàn)了一種新的基于社交的推薦方式，微信看一看推薦系統(tǒng)中的朋友在看就是其代表應(yīng)用之一。在本文中，我們將微信看一看的朋友在看推薦稱為“好友增強(qiáng)型推薦（Friend-Enhanced Recommendation，F(xiàn)ER）”。在 FER 中，對(duì)于某一從未交互過(guò)的商品，用戶顯式可見(jiàn)其好友對(duì)該商品的交互行為（這些好友被稱作好友推薦圈），例如微信“看一看”場(chǎng)景下的文章推薦場(chǎng)景。與傳統(tǒng)社交推薦不同， FER 中特有的好友推薦圈可能會(huì)因?yàn)槠渲匾院涂山忉屝远@著改變推薦結(jié)果。
針對(duì)這一好友增強(qiáng)型推薦場(chǎng)景，作者提出了一種新穎的社交影響力專注的神經(jīng)網(wǎng)絡(luò)（SIAN）。SIAN從異質(zhì)信息網(wǎng)絡(luò)的角度建模推薦場(chǎng)景，構(gòu)建了注意力特征聚合器，其對(duì)多類型的異質(zhì)信息進(jìn)行節(jié)點(diǎn)級(jí)和類型級(jí)的特征聚合，并學(xué)習(xí)得到用戶和商品的向量表示。更重要的是，SIAN模型設(shè)計(jì)了一個(gè)社交影響力耦合器，以專心地捕捉好友推薦圈的影響力。
基于兩個(gè)公開(kāi)數(shù)據(jù)集和一個(gè)看一看的數(shù)據(jù)，作者進(jìn)行了豐富的實(shí)驗(yàn)分析，模型與對(duì)比方法相比，均有顯著提升。尤其是，在看一看數(shù)據(jù)集上，作者進(jìn)行了一些定量分析討論，并得到了一些有趣的發(fā)現(xiàn)以及有價(jià)值的社會(huì)學(xué)模式。
當(dāng)下，隨著在線社交網(wǎng)絡(luò)的興起，人們更愿意在社交平臺(tái)上表達(dá)自己的觀點(diǎn)并與好友共享信息。好友成為重要的信息來(lái)源和高質(zhì)量的信息過(guò)濾器。好友互動(dòng)過(guò)的商品（共享的，喜歡的等）會(huì)對(duì)用戶產(chǎn)生重大影響，這很可能會(huì)成為用戶未來(lái)的興趣所在。工業(yè)界，也有許多推薦系統(tǒng)專注于好友的社交影響，例如，關(guān)注 YouTube中的信息流和微信中的“看一看”文章推薦。
在本文中，作者基于微信“看一看”文章推薦場(chǎng)景，形式化了一個(gè)全新的推薦場(chǎng)景，叫做好友增強(qiáng)的推薦系統(tǒng)（Friend-Enhanced Recommendation，F(xiàn)ER），其大大增強(qiáng)了推薦系統(tǒng)中好友對(duì)用戶行為的影響力。相較于傳統(tǒng)的社交化推薦，好友增強(qiáng)推薦有兩個(gè)主要區(qū)別：
（1）鑒于好友可以看作高質(zhì)量信息過(guò)濾器為用戶提供高質(zhì)量的商品，好友增強(qiáng)推薦只為用戶推薦好友交互過(guò)的商品（讀過(guò)的文章）；
（2）與某一商品交互過(guò)的所有好友都會(huì)顯式的展示給當(dāng)前用戶，即當(dāng)前用戶已知哪些好友與當(dāng)前物品有過(guò)交互。這一特點(diǎn)重點(diǎn)強(qiáng)調(diào)了顯式的社交影響力對(duì)用戶行為的影響，這也有益于用戶行為的可解釋性。
圖1. 好友增強(qiáng)性型推薦場(chǎng)景
左側(cè)顯示了推薦給 Jerry 的兩篇文章的場(chǎng)景，下面是與兩篇文章互動(dòng)（共享，喜歡等）的朋友（如 Tom）。右側(cè)顯示了好友增強(qiáng)推薦問(wèn)題的形式化，其中僅推薦朋友交互過(guò)的文章，并且與該項(xiàng)目進(jìn)行交互的朋友被明確暴露給用戶 Jerry。
圖 1 展示了微信“看一看”場(chǎng)景下的一個(gè)形式化示例。對(duì)于每一個(gè)用戶-物品對(duì)，好友增強(qiáng)型推薦顯式地展示已經(jīng)和當(dāng)前物品交互過(guò)的好友集合，這個(gè)集合被定義為：針對(duì)當(dāng)前商品，當(dāng)前用戶的好友推薦圈（Friend Referral Circle, FRC）。舉例來(lái)說(shuō)，對(duì)于關(guān)于AirPods的文章，Jerry的好友推薦圈是{Tom, Lily, Jack}。在傳統(tǒng)社交推薦中，好友推薦圈對(duì)于 Jerry是不可見(jiàn)的（不會(huì)展示給Jerry），因此Jerry可能會(huì)基于自身的興趣閱讀某一篇文章。然而，在好友增強(qiáng)型推薦場(chǎng)景中，好友推薦圈對(duì)用戶Jerry是顯式可見(jiàn)的，因此他閱讀這篇關(guān)于AirPods的文章，更可能是因?yàn)榭萍紝＜襎om讀過(guò)這篇文章。而Jerry閱讀一篇關(guān)于 Disneyland的文章，完全有可能是因?yàn)樗钠拮覮ily讀過(guò)這篇文章。更進(jìn)一步地，當(dāng)文章與科技相關(guān)時(shí)，相較于妻子和科技文章，專家和文章的同時(shí)出現(xiàn)對(duì) Jerry 的耦合影響力更大，而在娛樂(lè)方面，可能是完全相反的情況。
因此，在好友增強(qiáng)型推薦場(chǎng)景中，多個(gè)因素導(dǎo)致了用戶的行為。用戶閱讀/點(diǎn)擊一篇文章的原因可能來(lái)自：
（1）其自身對(duì)文章的興趣（文章本身）；
（2）專家的推薦（文章-好友的組合）；
（3）對(duì)某一好友的關(guān)注（好友）；
可以看到，在好友增強(qiáng)型推薦場(chǎng)景中，用戶有窺探好友在看的內(nèi)容的傾向，而非僅僅看自己本身感興趣的內(nèi)容。甚至可以說(shuō)，傳統(tǒng)社交推薦關(guān)注于結(jié)合社交信息去推薦物品，而好友增強(qiáng)的推薦旨在推薦物品和好友的組合。
作為好友增強(qiáng)型推薦的關(guān)鍵特性，顯式的好友推薦圈為該推薦場(chǎng)景帶來(lái)兩個(gè)挑戰(zhàn)：
（1）如何從多方面的異質(zhì)因素中提取關(guān)鍵信息？好友增強(qiáng)的推薦場(chǎng)景涉及多個(gè)異質(zhì)目標(biāo)，例如物品內(nèi)容，好友推薦圈及用戶-物品交互行為等。在用戶，物品和朋友推薦圈的不同組合下，這些因素的影響甚至也有所不同。因此好友增強(qiáng)的 推薦場(chǎng)景更具挑戰(zhàn)性，因?yàn)樗粌H需要學(xué)習(xí)用戶對(duì)商品的偏好，還需要預(yù)測(cè)不同 因素對(duì)好友的影響。
（2）如何利用顯式的好友推薦圈信息？顯式的好友推薦圈推薦極大地強(qiáng)調(diào)了推薦中社交信息的重要性，這在好友增強(qiáng)的推薦場(chǎng)景中是至關(guān)重要。但是，很少有工作在實(shí)際推薦中探索好友推薦圈的影響和特性。因此需要一種精心設(shè)計(jì)的策略，以充分利用好友增強(qiáng)的推薦場(chǎng)景中的顯式的好友推薦圈信息。
為了解決這些問(wèn)題，作者提出了一種新穎的社交影響力專注的神經(jīng)網(wǎng)絡(luò)（SIAN）。具體來(lái)說(shuō)， SIAN將好友增強(qiáng)推薦定義為異質(zhì)社交圖上的用戶-物品交互預(yù)測(cè)任務(wù)，該任務(wù)將豐富的異質(zhì)信息靈活地集成到異質(zhì)對(duì)象及其交互連接中。首先，作者設(shè)計(jì)了一個(gè)注意力特征聚合器，它同時(shí)考慮節(jié)點(diǎn)級(jí)和類型級(jí)的特征聚合，以學(xué)習(xí)用戶和物品的表示向量。接下來(lái)，作者實(shí)現(xiàn)了一個(gè)社交影響力耦合器，以建模通過(guò)顯式好友推薦圈傳播的耦合影響力，該耦合器利用注意力機(jī)制將多種因素（例如，朋友和物品）的影響力耦合在一起?？傮w而言，SIAN 模型捕獲了好友增強(qiáng)的推薦場(chǎng)景中有價(jià)值的多方面因素，從而成功地從異質(zhì)信息網(wǎng)絡(luò)和顯式好友推薦圈中提取了用戶的最基本偏好。
圖2. 模型SIAN總覽
首先，考慮到相同類型的不同鄰居可能對(duì)特征聚合的貢獻(xiàn)是不同的，并且不同類型包含多方面的信息，因此作者設(shè)計(jì)了分層的節(jié)點(diǎn)級(jí)和類型級(jí)的注意力特征聚合器。在每個(gè)級(jí)別，注意力機(jī)制區(qū)分和捕獲鄰居和類型的潛在關(guān)聯(lián)性，使得 SIAN 模型能夠更細(xì)粒度地編碼多方面的異質(zhì)信息。與之前的一些工作不同的是， SIAN 不需要基于任何先驗(yàn)知識(shí)手動(dòng)選擇元路徑。
其次，作者設(shè)計(jì)了一個(gè)社交影響力耦合器，其用來(lái)捕獲一個(gè)有影響力好友（例如 Tom）和一個(gè)物品（例如 Disneyland 相關(guān)文章）的耦合影響力， 從而量化它們的耦合影響力程度。最后，帶有注意力地融合來(lái)自好友推薦圈內(nèi)的多個(gè)耦合影響力，以表示整個(gè)好友推薦圈對(duì)當(dāng)前用戶和物品的影響。
基于兩個(gè)公開(kāi)數(shù)據(jù)集（Yelp和Douban）以及微信看一看數(shù)據(jù)（FWD），作者進(jìn)行了豐富的實(shí)驗(yàn)評(píng)估和分析。數(shù)據(jù)集統(tǒng)計(jì)信息見(jiàn)下表1。
表1. 數(shù)據(jù)集統(tǒng)計(jì)
在主實(shí)驗(yàn)中，作者對(duì)比了四類代表性的方法，并報(bào)告了在不同表示維下的模型表現(xiàn)，結(jié)果可以見(jiàn)表2?？梢钥吹剑诙鄠€(gè)數(shù)據(jù)集上，提出的SIAN模型明顯優(yōu)于對(duì)比方法。特別是，和傳統(tǒng)社會(huì)化推薦方法相比，SIAN模型依然表現(xiàn)突出，這得益于社交影響力耦合器在為好友增強(qiáng)推薦場(chǎng)景編碼各種社交因素時(shí)的能力，也這進(jìn)一步證實(shí)了社交影響力在好友增強(qiáng)推薦中的重要性。
表2. 用戶行為預(yù)測(cè)實(shí)驗(yàn)結(jié)果
其次，作者分析了多方面異質(zhì)信息的影響。在注意力特征聚合器中，每個(gè)節(jié)點(diǎn)的向量表示都是從其具有不同權(quán)重的各種類型的異質(zhì)鄰居聚合而來(lái)的，作者分析發(fā)現(xiàn)：SIAN模型學(xué)習(xí)得到的好友類型的平均注意力權(quán)重值顯著大于物品類型的平均注意力權(quán)重，這表明了SIAN模型更加關(guān)注用戶的社交關(guān)系，也驗(yàn)證了好友推薦圈是好友增強(qiáng)推薦中最重要的因素。實(shí)驗(yàn)結(jié)果如圖3所示。
圖3. 多方面信息影響分析
更進(jìn)一步地，在微信看一看數(shù)據(jù)集上，作者分析了不同的用戶屬性如何通過(guò)社交影響力耦合器的影響力強(qiáng)度來(lái)影響好友增強(qiáng)推薦場(chǎng)景中的用戶行為，并得出了一些有趣的發(fā)現(xiàn)。例如，在圖4(a)中，可以觀察到用戶行為受到更具權(quán)威性的朋友的影響， 而與用戶自己的權(quán)威度無(wú)關(guān)。同時(shí)，高權(quán)威朋友對(duì)中等權(quán)威用戶具有更大的影響力，用戶通常更容易受到權(quán)威人士的影響，這和我們的常識(shí)也是相符的。因此，在好友增強(qiáng)推薦場(chǎng)景中，可能存在一個(gè)有趣的現(xiàn)象，即有時(shí)用戶會(huì)更多地關(guān)注老板或某一權(quán)威人士的喜好，而不是他們自己的實(shí)際喜好。我們也觀察到其它用戶基礎(chǔ)屬性對(duì)于好友增強(qiáng)推薦場(chǎng)景中的用戶行為產(chǎn)生影響。
圖4. 社交影響力分析
在這一工作中，作者首次形式化定義了微信看一看中的推薦場(chǎng)景，即好友增強(qiáng)型推薦，其顯式地展示已經(jīng)和當(dāng)前物品交互過(guò)的好友。針對(duì)這一新型且應(yīng)用廣泛的推薦場(chǎng)景，作者提出了社交影響力注意的神經(jīng)網(wǎng)絡(luò)SIAN，SIAN模型通過(guò)一個(gè)兩級(jí)注意力聚合器學(xué)習(xí)user和item的表示，并設(shè)計(jì)了一個(gè)社交影響力耦合器的用于提取朋友推薦圈中的影響力信息。實(shí)驗(yàn)結(jié)果表明，在三個(gè)真實(shí)的數(shù)據(jù)集上，SIAN的性能明顯優(yōu)于最新基準(zhǔn)，豐富的模型分析揭示出有趣的社會(huì)學(xué)模式。
我們認(rèn)為未來(lái)以微信看一看朋友在看為代表的好友增強(qiáng)型推薦將會(huì)成為人們獲取信息的重要方式，通過(guò)推薦連接用戶與世界。現(xiàn)在對(duì)好友增強(qiáng)型推薦的研究?jī)H僅處于初級(jí)階段，我們希望未來(lái)能有更多新的研究工作與分析。
參考文獻(xiàn)：
[1] Chen, Chong, et al. "Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 01. 2020.
[2] Dong, Yuxiao, Nitesh V. Chawla, and Ananthram Swami. "metapath2vec: Scalable representation learning for heterogeneous networks." Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining. 2017.
[3] Fan, Wenqi, et al. "Graph neural networks for social recommendation." The World Wide Web Conference. 2019.
[4] Grover, Aditya, and Jure Leskovec. "node2vec: Scalable feature learning for networks." Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. 2016.
[5] Kipf, Thomas N., and Max Welling. "Semi-supervised classification with graph convolutional networks." arXiv preprint arXiv:1609.02907 (2016).
[6] Perozzi, Bryan, Rami Al-Rfou, and Steven Skiena. "Deepwalk: Online learning of social representations." Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. 2014.
[7] Shi, Chuan, et al. "Heterogeneous information network embedding for recommendation." IEEE Transactions on Knowledge and Data Engineering 31.2 (2018): 357-370.
[8] Veli?kovi?, Petar, et al. "Graph attention networks." arXiv preprint arXiv:1710.10903 (2017).
[9] Wang, Xiao, et al. "Heterogeneous graph attention network." The World Wide Web Conference. 2019
[10] Wu, Le, et al. "A neural influence diffusion model for social recommendation." Proceedings of the 42nd international ACM SIGIR conference on research and development in information retrieval. 2019.
[11] Xiao, Wenyi, et al. "Beyond personalization: Social content recommendation for creator equality and consumer satisfaction." Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2019.
-END-
本文為作者獨(dú)立觀點(diǎn)，不代表鳥哥筆記立場(chǎng)，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責(zé)申明》 如對(duì)文章、圖片、字體等版權(quán)有疑問(wèn)，請(qǐng)點(diǎn)擊 反饋舉報(bào)
我們致力于提供一個(gè)高質(zhì)量?jī)?nèi)容的交流平臺(tái)。為落實(shí)國(guó)家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評(píng)論自律管理，為了保護(hù)用戶創(chuàng)造的內(nèi)容、維護(hù)開(kāi)放、真實(shí)、專業(yè)的平臺(tái)氛圍，我們團(tuán)隊(duì)將依據(jù)本公約中的條款對(duì)注冊(cè)用戶和發(fā)布在本平臺(tái)的內(nèi)容進(jìn)行管理。平臺(tái)鼓勵(lì)用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時(shí)也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國(guó)未成年人保護(hù)法》等法律法規(guī)，對(duì)以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對(duì)憲法所確定的基本原則；
2)危害國(guó)家安全，泄露國(guó)家秘密，顛覆國(guó)家政權(quán)，破壞國(guó)家統(tǒng)一，損害國(guó)家榮譽(yù)和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動(dòng)實(shí)施恐怖活動(dòng)、極端主義活動(dòng)；
5)煽動(dòng)民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國(guó)家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會(huì)秩序，破壞社會(huì)穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動(dòng)非法集會(huì)、結(jié)社、游行、示威、聚眾擾亂社會(huì)秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過(guò)網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對(duì)未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動(dòng)成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對(duì)他人或其行為進(jìn)行揭露或描述，以此來(lái)激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對(duì)方對(duì)自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對(duì)方難堪；
6)謾罵：以不文明的語(yǔ)言對(duì)他人進(jìn)行負(fù)面評(píng)價(jià)；
7)歧視：煽動(dòng)人群歧視、地域歧視等，針對(duì)他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來(lái)迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個(gè)帳號(hào)多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個(gè)廣告帳號(hào)互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購(gòu)買或出售帳號(hào)之間虛假地互動(dòng)，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營(yíng)銷內(nèi)容，如通過(guò)偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營(yíng)銷；
8)使用特殊符號(hào)、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯(cuò)誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過(guò)頭像、用戶名等個(gè)人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個(gè)人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測(cè)字、占卜、解夢(mèng)、化解厄運(yùn)、使用迷信方式治?。?br /> 2)求推薦算命看相大師；
3)針對(duì)具體風(fēng)水等問(wèn)題進(jìn)行求助或咨詢；
4)問(wèn)自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過(guò)占卜方法問(wèn)婚姻、前程、運(yùn)勢(shì)，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來(lái)誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動(dòng)「飯圈」粉絲攀比炫富、奢靡享樂(lè)等行為
4)以號(hào)召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號(hào)」形式刷量控評(píng)等行為
5)通過(guò)「蹭熱點(diǎn)」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會(huì)公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評(píng)述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭(zhēng)行為的；
4)法律、行政法規(guī)禁止，或可能對(duì)網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過(guò)主動(dòng)發(fā)現(xiàn)和接受用戶舉報(bào)兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺(tái)氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個(gè)用戶發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴(yán)重程度，對(duì)帳號(hào)進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號(hào)的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過(guò)作弊手段注冊(cè)、使用帳號(hào)，或者濫用多個(gè)帳號(hào)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺(tái)管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對(duì)本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過(guò)「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)