新聞推薦系統(tǒng)中的“信息繭房”問(wèn)題：議題綜述與解決思路

林微

摘 要 主要針對(duì)新聞推薦系統(tǒng)，考察其中的“信息繭房”問(wèn)題并提出解決思路。通過(guò)對(duì)國(guó)內(nèi)新聞傳播學(xué)、計(jì)算機(jī)科學(xué)、情報(bào)管理學(xué)中的相關(guān)文獻(xiàn)的梳理，輔以對(duì)web of science中國(guó)外SSCI文獻(xiàn)的計(jì)量分析，介紹與“信息繭房”相關(guān)的主要議題與最新進(jìn)展。在此基礎(chǔ)上，構(gòu)建新聞在推薦系統(tǒng)情境中包含信息流和數(shù)據(jù)流的“創(chuàng)作，發(fā)布/抓取，分發(fā)/點(diǎn)擊，閱讀”流程模型，并針對(duì)這一模型，提出在內(nèi)容篩選、技術(shù)創(chuàng)新、心理考察三個(gè)角度上可能的思路，以期通過(guò)多學(xué)科、學(xué)業(yè)界的研究與實(shí)踐互動(dòng)，推動(dòng)“信息繭房”問(wèn)題的解決。

關(guān)鍵詞 信息繭房；回音室效應(yīng)；個(gè)性化推薦；推薦系統(tǒng)

中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-0360（2018）06-0001-07

1 研究緣起與概念界定

1.1 研究緣起

通過(guò)算法完成資訊的個(gè)性化推薦和分發(fā)，正成為今天新聞業(yè)內(nèi)越來(lái)越多媒體的選擇。無(wú)論是技術(shù)出身的內(nèi)容推薦引擎“今日頭條”“一點(diǎn)資訊”、ZAKER等，還是傳統(tǒng)媒體出身的四川報(bào)業(yè)集團(tuán)與阿里巴巴合作推出的“封面新聞”、門(mén)戶網(wǎng)站的移動(dòng)端應(yīng)用“騰訊新聞”等，都將信息的“個(gè)性化推薦”作為自己的產(chǎn)品亮點(diǎn)。個(gè)性化推薦是一種信息過(guò)濾技術(shù)，“個(gè)性化”是其技術(shù)目的，推薦算法是其方法。它期望通過(guò)分析大量用戶行為日志，給不同用戶提供不同的個(gè)性化頁(yè)面展示，來(lái)提高網(wǎng)站的點(diǎn)擊率和轉(zhuǎn)化率[1]4。它在不同產(chǎn)品中的應(yīng)用已由來(lái)已久。電子商務(wù)領(lǐng)域有亞馬遜被RWW（讀寫(xiě)網(wǎng)）稱為“推薦系統(tǒng)之王”。影視領(lǐng)域有美國(guó)視頻公司Netflix為了更精準(zhǔn)地對(duì)用戶進(jìn)行電影推薦，自2006年起開(kāi)始舉辦著名的Netflix Prize推薦系統(tǒng)比賽，懸賞百萬(wàn)美元，希望將算法的預(yù)測(cè)準(zhǔn)確度提升10%。

在信息閱讀領(lǐng)域，“今日頭條”是于“Google Reader”“鮮果網(wǎng)”等閱讀工具開(kāi)發(fā)的后繼實(shí)踐者。它從2013到2015年間異軍突起，迅速占取國(guó)內(nèi)大量網(wǎng)絡(luò)新聞受眾，也在2017年到2018年來(lái)遭遇數(shù)次公眾輿論質(zhì)疑。2017年9月，人民日?qǐng)?bào)連續(xù)發(fā)表3篇文章就算法推薦問(wèn)題質(zhì)問(wèn)“今日頭條”過(guò)度依賴技術(shù)導(dǎo)致用戶受困“信息繭房”。2018年1月，其陷入“麥克風(fēng)事件”。眾多網(wǎng)友質(zhì)疑“今日頭條”開(kāi)啟了手機(jī)麥克風(fēng)權(quán)限收集用戶聲音信息進(jìn)行內(nèi)容推薦，之后“今日頭條”回應(yīng)表示其技術(shù)達(dá)不到也不會(huì)去進(jìn)行這樣的信息收集。盡管“今日頭條”做出了澄清，網(wǎng)友的質(zhì)疑則側(cè)面表現(xiàn)出人們對(duì)于被自己的瀏覽歷史、社交足跡“包裹”的恐慌。

這種“被包裹”的恐慌，是美國(guó)學(xué)者桑斯坦在其2006年出版的著作《信息烏托邦——眾人如何生產(chǎn)知識(shí)》一書(shū)中提出“信息繭房”（Information Cocoons）概念的現(xiàn)實(shí)詮釋。書(shū)中他所描述“信息繭房”由“個(gè)人日?qǐng)?bào)”形式呈現(xiàn)。人們可以借助網(wǎng)絡(luò)平臺(tái)和技術(shù)工具在海量的信息中隨意選擇自己關(guān)注的話題，完全根據(jù)自己的喜好定制報(bào)紙和雜志，即一種完全個(gè)人化的閱讀[2]。同時(shí)桑斯坦指出，在信息傳播中，因公眾自身的信息需求并非全方位的，公眾只注意自己選擇的東西和使自己愉悅的通訊領(lǐng)域，久而久之，會(huì)將自身桎梏于像蠶繭一般的“繭

房”中。

桑斯坦對(duì)此概念闡述的主體是用戶，側(cè)重描述基于用戶選擇的閱讀個(gè)性化。而推薦系統(tǒng)的設(shè)計(jì)意圖描述則更側(cè)重信息分發(fā)者針對(duì)用戶個(gè)體進(jìn)行的點(diǎn)對(duì)點(diǎn)的傳播個(gè)性化。

但這兩層含義并不是相對(duì)立的關(guān)系，而是存在疊合的交集，這是因?yàn)橥扑]系統(tǒng)個(gè)性化傳播決策的執(zhí)行極大依賴著基于用戶瀏覽行為的日志數(shù)據(jù)。這一點(diǎn)將會(huì)結(jié)合新聞在推薦系統(tǒng)情境中“創(chuàng)作，發(fā)布/

抓取，分發(fā)/點(diǎn)擊，閱讀”傳播的流程模型詳述。

本文希望將此模型圖作為本次多學(xué)科文獻(xiàn)梳理的總結(jié)，并針對(duì)模型圖的3個(gè)環(huán)節(jié)，提出在內(nèi)容篩選、技術(shù)創(chuàng)新、心理考察3個(gè)角度上的應(yīng)對(duì)思路，推動(dòng)新聞推薦系統(tǒng)“信息繭房”問(wèn)題的解決。

1.2 主要概念與辨析

1）新聞：本文中指廣義上的信息資源，包括文字、圖片、視頻、問(wèn)答、直播等不同的形式。新聞推薦系統(tǒng)中，前臺(tái)展示的新聞主要是來(lái)源于網(wǎng)絡(luò)爬蟲(chóng)、合作媒體和自媒體創(chuàng)作[3]。網(wǎng)絡(luò)爬蟲(chóng)爬取社交媒體、門(mén)戶網(wǎng)站等信息資源；合作媒體指中央、省級(jí)、各地市、縣級(jí)及以下媒體；自媒體創(chuàng)作主要提供專業(yè)學(xué)習(xí)信息、新聞、生活休閑類等其他“長(zhǎng)尾”信息資源。

2）算法：是一系列解決問(wèn)題的清晰指令，也可抽象理解為解決問(wèn)題的方法。理解算法的概念可以從理論與應(yīng)用層面展開(kāi)。以推薦算法為例，CF、CBF、DNN算法等屬于理論層面的數(shù)學(xué)方法，而亞馬遜、Youtube、Facebook、今日頭條等產(chǎn)品屬于算法在應(yīng)用層面的實(shí)踐成果，包含商業(yè)邏輯在內(nèi)的復(fù)雜運(yùn)作。

3）推薦系統(tǒng)與推薦算法：Resnick等于1997年給出了推薦系統(tǒng)的定義。一個(gè)完整的推薦系統(tǒng)由用戶模型、產(chǎn)品模型與推薦算法三部分組成[4]。推薦系統(tǒng)包含推薦算法作為其核心組成部分，同時(shí)需要對(duì)所推薦的物品和用戶建模。對(duì)于一個(gè)推薦系統(tǒng)來(lái)說(shuō)，推薦算法決定其類型及性能優(yōu)劣。目前主流的推薦算法有：協(xié)同過(guò)濾（CF）、基于關(guān)聯(lián)規(guī)則的推薦、基于二部圖的推薦等[5]。

2 關(guān)于新聞推薦系統(tǒng)“信息繭房”的主要議題梳理

中文文獻(xiàn)的參閱依循各文獻(xiàn)之間的引文網(wǎng)絡(luò)，在CNKI中選取以下相關(guān)關(guān)鍵字按學(xué)科分組、以“主題”為搜索條件，選取本世紀(jì)至今（2001—2018）被引較多或影響因子較高的文獻(xiàn)進(jìn)行梳理。

選取學(xué)科分組：新聞與傳媒、圖書(shū)情報(bào)與數(shù)字圖書(shū)館、計(jì)算機(jī)軟件及計(jì)算機(jī)應(yīng)用。

主要使用的關(guān)鍵字包括：“信息繭房”“信息窄化”“群體極化”“回音室效應(yīng)”“個(gè)性化推薦”等。涉及其他關(guān)鍵字包括：“推薦算法”“社會(huì)化推薦系統(tǒng)”“信息偶遇”等。

英文文獻(xiàn)搜索中，在web of science平臺(tái)中使用關(guān)鍵字Echo chamber在SSCI索引下搜索，從2001年至2018年3月3日，共得到106條文獻(xiàn)。

2.1 新聞推薦系統(tǒng)“信息繭房”問(wèn)題背景：還未盡善的技術(shù)與大眾心理的共謀

概念的提出者桑斯坦將“信息繭房”的產(chǎn)生背景定義在網(wǎng)絡(luò)與技術(shù)環(huán)境中。首先從計(jì)算機(jī)科學(xué)與應(yīng)用的視角下看，推薦系統(tǒng)是為了解決信息過(guò)載問(wèn)題而發(fā)展出的一套技術(shù)。

縱觀因特網(wǎng)的發(fā)展源流，它由單個(gè)網(wǎng)絡(luò)ARPANET升級(jí)到現(xiàn)今多層次ISP結(jié)構(gòu)的互聯(lián)網(wǎng)，這代表著更復(fù)雜的網(wǎng)絡(luò)層級(jí)和更大的用戶覆蓋面，帶來(lái)了更多的信息生產(chǎn)和更快的信息交互。為了解決信息過(guò)載問(wèn)題，提升人們獲取信息的效率與質(zhì)量，分類目錄、搜索引擎、推薦系統(tǒng)、智能問(wèn)答等技術(shù)應(yīng)運(yùn)而生。在具體新聞場(chǎng)景的應(yīng)用中，相應(yīng)地出現(xiàn)了以雅虎為代表的門(mén)戶網(wǎng)站、以谷歌為代表的搜索引擎、以Facebook上的Newsfeed、今日頭條等為代表的內(nèi)容智能分發(fā)工具和Quartz、微軟小冰等對(duì)話式新聞產(chǎn)品。

新聞推薦系統(tǒng)在對(duì)搜索引擎中PageRank等經(jīng)典排序算法的繼承和改造的基礎(chǔ)上，它的特點(diǎn)在于不需要用戶表達(dá)明確的特定信息需求。不同于搜索引擎被動(dòng)等待用戶的“搜索”操作，進(jìn)行信息呈現(xiàn)，推薦算法能夠主動(dòng)收集用戶的特征信息。但由于用戶沒(méi)有顯式地提出特定信息需求，新聞推薦系統(tǒng)就必須做到挖掘用戶的潛在需求，這也使“精確度”成為其系統(tǒng)優(yōu)劣的首要評(píng)價(jià)指標(biāo)，為“信息繭房”問(wèn)題埋下隱憂。

在計(jì)算機(jī)界，早在2006年就有學(xué)者意識(shí)到在推薦系統(tǒng)僅關(guān)注精確性遠(yuǎn)遠(yuǎn)不夠，可能會(huì)導(dǎo)致用戶得到一些信息量為零的“精準(zhǔn)推薦”，導(dǎo)致視野越來(lái)越狹窄的情況[6]。這種“越推越窄”的情況被稱之為計(jì)算機(jī)界的探索利用問(wèn)題，有時(shí)也稱為EE問(wèn)題（Explore & Exploit）。2011年，在ACM組織的第五屆推薦系統(tǒng)國(guó)際會(huì)議上，專門(mén)召開(kāi)了一個(gè)討論推薦系統(tǒng)多樣性的研討會(huì)（DiveES 2011）。此后，2013年國(guó)內(nèi)學(xué)界推出第一篇系統(tǒng)地對(duì)推薦系統(tǒng)多樣性進(jìn)行綜述的文章[7]，在分析多樣性類型的基礎(chǔ)上，重點(diǎn)概括、比較和分析了信息物理、二次優(yōu)化、社會(huì)化網(wǎng)絡(luò)和時(shí)間感知四種提高個(gè)性化推薦多樣性的方法，期待未來(lái)更多算法的有效組合研究。此后，計(jì)算機(jī)學(xué)業(yè)界將研究重心轉(zhuǎn)移到推薦系統(tǒng)信息窄化的解決，即推薦算法的優(yōu)化與更多指標(biāo)的測(cè)試中。例如在發(fā)現(xiàn)用戶新興趣上，基于關(guān)聯(lián)規(guī)則的推薦優(yōu)于基于內(nèi)容的推薦和協(xié)同過(guò)濾推薦[5]。在測(cè)試指標(biāo)設(shè)置上，學(xué)者項(xiàng)亮總結(jié)出包括準(zhǔn)確率、覆蓋率、多樣性、新穎性、驚喜度、信任度等10余個(gè)推薦系統(tǒng)評(píng)價(jià)指標(biāo)[1]23-33。另有一批學(xué)者的研究成果發(fā)表在《復(fù)雜網(wǎng)絡(luò)觀察》《復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)》等專業(yè)刊物上。

新聞傳播學(xué)界在“信息繭房”概念提出后也很快加入討論。學(xué)者程士安等以科技進(jìn)步與傳播規(guī)律的演進(jìn)為視角，考察數(shù)字化時(shí)代的組織傳播理論時(shí)，對(duì)“信息繭房”的概念進(jìn)行了組織傳播視角的重新闡述。提出通過(guò)分析新技術(shù)條件下的信息聚合與社群的構(gòu)成，看新技術(shù)條件下網(wǎng)絡(luò)組織微觀關(guān)系下的“紐帶”與“鎖扣”特征。對(duì)于基本的網(wǎng)絡(luò)結(jié)構(gòu)“結(jié)點(diǎn)與邊”（verges and edges），并不局限將“結(jié)點(diǎn)”看作單一用戶，而是聚合著某同類信息需求的人群，而“邊”既是信息聚合體內(nèi)部的構(gòu)成紐帶，也在外部連接著組織與組織，社群與社群。這使“信息繭房”的研究視域從個(gè)人的繭房，擴(kuò)大到群體的繭房。接著，文章從動(dòng)態(tài)的傳播視角，提出了“繭房的遷移”。指小“繭房”通過(guò)網(wǎng)絡(luò)游移，相似的幾個(gè)子“繭房”會(huì)在一個(gè)特定大“繭房”平臺(tái)上達(dá)成共識(shí)[8]。文章從組織傳播和網(wǎng)絡(luò)傳播的視角微觀、動(dòng)態(tài)地描述了繭房形成與變化的機(jī)理；對(duì)繭房之內(nèi)、之間聯(lián)系的研究，將網(wǎng)絡(luò)作為基本數(shù)據(jù)結(jié)構(gòu)之一所定義中物理性質(zhì)的“邊”，融入了社會(huì)心理因素的考察。這一觀點(diǎn)的提出，也進(jìn)一步明確了“信息繭房”與“群體極化”等議題之間的緊密聯(lián)系。

在技術(shù)之外，新聞傳播界的研究著重指出了“信息繭房”形成在思想淵源、心理特性等方面的原因。2013年，新聞界期刊首先將此定義正式介紹到國(guó)內(nèi)時(shí)，學(xué)者梁鋒指出“信息繭房”的思想淵源可以追溯到19世紀(jì)初法國(guó)思想家托克維爾發(fā)現(xiàn)的，民主社會(huì)天然地易于促成個(gè)人主義的生成，并隨著身份平等的推廣而擴(kuò)散[9]。學(xué)者劉華棟基于對(duì)社交媒體的觀察，認(rèn)為個(gè)人興趣引導(dǎo)人們的信息接收行為使其陷入“信息繭房”，而社交媒體使用進(jìn)一步促進(jìn)“信息繭房”的形成[10]。學(xué)者陳昌鳳等認(rèn)為信息繭房、信息偏向等問(wèn)題的產(chǎn)生與人們的“證實(shí)性偏見(jiàn)”有關(guān)[11]，即人們傾向于尋找信息確認(rèn)自己的觀點(diǎn)。

新聞傳播界往往在分析原因后提出關(guān)于“信息繭房”危害的議題探討，網(wǎng)絡(luò)是信息自由傳揚(yáng)的烏托邦抑或滋養(yǎng)極端意見(jiàn)分子的溫床，“信息繭房”與“群體極化”等社會(huì)政治議題有何關(guān)聯(lián)，這是此后新聞傳播學(xué)界的一個(gè)研究方向，并綜合運(yùn)用了基于案例觀察的或?qū)嶒?yàn)設(shè)計(jì)等實(shí)證研究方法，將在本節(jié)下一小點(diǎn)再做介紹。

情報(bào)管理學(xué)界對(duì)新聞推薦系統(tǒng)“信息繭房”問(wèn)題機(jī)制的研究起步較晚，2018年1月出版首篇網(wǎng)絡(luò)信息系統(tǒng)視角下的機(jī)制研究論文[3]。首先從內(nèi)容智能分發(fā)平臺(tái)信息資源組織方式、信息受眾用戶行為與信息運(yùn)動(dòng)方式三方面分析影響平臺(tái)信息運(yùn)動(dòng)效率的因素。在此基礎(chǔ)上探討“信息繭房”的形成機(jī)制時(shí)，創(chuàng)新地使用了運(yùn)動(dòng)規(guī)律、平臺(tái)情境兩個(gè)視角。

總的來(lái)看，新聞推薦系統(tǒng)“信息繭房”問(wèn)題的出現(xiàn)，從技術(shù)發(fā)展的脈絡(luò)來(lái)看，是推薦系統(tǒng)完善過(guò)程中必然面對(duì)的難題，而動(dòng)態(tài)的網(wǎng)絡(luò)信息空間環(huán)境、復(fù)雜的個(gè)人與群體心理等因素豐富了它可歸因的維度，使得這一問(wèn)題不應(yīng)僅僅作為技術(shù)帶來(lái)個(gè)人視野的局限看待，同時(shí)奠基其他群體性社會(huì)議題的產(chǎn)生。

2.2 新聞推薦系統(tǒng)“信息繭房”認(rèn)識(shí)現(xiàn)狀：趨于關(guān)注細(xì)節(jié)、量化的實(shí)證研究，總結(jié)從個(gè)體到社會(huì)的多層次危害分析思路

“信息繭房”問(wèn)題提出后，計(jì)算機(jī)學(xué)界轉(zhuǎn)入問(wèn)題解決領(lǐng)域進(jìn)行算法優(yōu)化研究。目前關(guān)于“信息繭房”現(xiàn)狀的認(rèn)識(shí)主要來(lái)源于新聞傳播學(xué)界。為豐富研究素材的維度，筆者引入國(guó)外SSCI相關(guān)文獻(xiàn)的計(jì)量分析與閱讀梳理，總結(jié)得到主要關(guān)于“繭房”程度、“繭房”危害兩個(gè)研究角度。

國(guó)內(nèi)新聞傳播學(xué)者在考量新聞推薦系統(tǒng)“信息繭房”問(wèn)題時(shí)，常聯(lián)系“個(gè)性化推薦”“算法分發(fā)”“智能分發(fā)”“算法新聞”等關(guān)鍵詞，應(yīng)用新聞推薦系統(tǒng)的典型產(chǎn)品“今日頭條”是主要的研究對(duì)象。由于大部分社交媒體在信息推送設(shè)計(jì)（feed流）中也多使用到推薦系統(tǒng)技術(shù)，也有學(xué)者關(guān)注社交媒體上“信息繭房”問(wèn)題。從研究方法上看，國(guó)內(nèi)針對(duì)“信息繭房”是否存在以及存在的程度如何的量化實(shí)證研究還比較少，多是基于案例觀察的質(zhì)化分析。

學(xué)者王茜以“今日頭條”為研究對(duì)象，運(yùn)用內(nèi)容分析法，通過(guò)分析77位用戶的8 000多條新聞推送，發(fā)現(xiàn)14%的參與者收到的單一新聞?lì)愋驼急瘸^(guò)50%[12]，認(rèn)為其中存在信息窄化問(wèn)題。學(xué)者王秋旭觀察微博上作為意見(jiàn)領(lǐng)袖的大V或公眾賬號(hào)，其粉絲會(huì)自發(fā)性地形成一個(gè)團(tuán)體，這個(gè)團(tuán)體認(rèn)同意見(jiàn)領(lǐng)袖的言論，由此形成了一種“群體共識(shí)”[13]。

對(duì)國(guó)外SSCI論文，以“echo chamber”做關(guān)鍵字進(jìn)行文獻(xiàn)計(jì)量分析，從分析結(jié)果來(lái)看，傳播學(xué)者們對(duì)這一問(wèn)題的關(guān)注度逐年上升（圖1）。除echo chamber外，關(guān)鍵詞還包括social media，polarization，Twitter，F(xiàn)acebook，climate change等（圖2）；拓展關(guān)鍵詞包括media，polarization，networks，selective exposure，information，online，internet，communication，news，participation等（圖3）。其中拓展關(guān)鍵詞feather的詞頻也較高，多以詞組birds of a feather（人以群分物以類聚）出現(xiàn)。

對(duì)這些字詞進(jìn)行分類可以看出，國(guó)外對(duì)這一問(wèn)題的主要研究對(duì)象是Twitter，F(xiàn)acebook等社交媒體、美總統(tǒng)選舉等事件，理論視角包括群體極化、選擇性接觸、公眾輿論等。

考慮到推薦系統(tǒng)與搜索引擎、社交媒體的技術(shù)淵源，筆者主要選擇包含online search，social media，F(xiàn)acebook，Twitter的相關(guān)論文進(jìn)行介紹。

在對(duì)新聞推薦系統(tǒng)“信息繭房”的存在認(rèn)定上，學(xué)者們意見(jiàn)不一，一些學(xué)者會(huì)在措辭中加入hypothesis（假設(shè)）再對(duì)其進(jìn)行實(shí)證研究。F.J.Z.Borgesius 等人研究網(wǎng)站利用個(gè)性化算法為用戶篩選、推送個(gè)性化內(nèi)容，綜合運(yùn)用量化手段分析后認(rèn)為，目前還缺乏足夠的證據(jù)表明個(gè)性化算法會(huì)造成“信息繭房”或“過(guò)濾氣泡”[14]。而David Goldie等人使用文獻(xiàn)計(jì)量方法并針對(duì)社交媒體上教育政策辯論的進(jìn)行研究，認(rèn)為其中存在“回音室效應(yīng)”，即通過(guò)不斷推動(dòng)小樣本量、不具代表性的言論，也會(huì)對(duì)政策提出產(chǎn)生影響[15]。

在考察“信息繭房”存在程度時(shí)，來(lái)自MIT的學(xué)者Sagit Bar-Gill等認(rèn)為個(gè)體會(huì)由于其在網(wǎng)絡(luò)中的不同角色在“繭房”存在的程度上存在差異。學(xué)者們運(yùn)用實(shí)驗(yàn)法，構(gòu)建了名為T(mén)ED-it的在線搜索環(huán)境，用戶可以通過(guò)主題（topic）或流行度（popularity）兩個(gè)搜索維度觀看TED視頻。學(xué)者們?cè)?017年3月[16]與8月[17]分別發(fā)布兩次報(bào)告，研究發(fā)現(xiàn)高社交程度、重復(fù)先前相似內(nèi)容的、年輕（在8月發(fā)布的報(bào)告中補(bǔ)充了關(guān)于年齡的要素）閱讀者容易陷入“信息繭房”。流行的信息提高了意見(jiàn)領(lǐng)袖們的搜索排序，但并沒(méi)有拓展“非意見(jiàn)領(lǐng)袖”的信息接觸面。

在逐漸積累關(guān)注細(xì)節(jié)、量化的實(shí)證研究后，傳播學(xué)者們總結(jié)出新聞推薦系統(tǒng)“信息繭房”從個(gè)體到社會(huì)的多層次危害分析思路。在個(gè)體層面，美國(guó)學(xué)者Kathryn Jemison和Joseph Capela在著作《回聲室效應(yīng)：拉什·林博和保守主義媒體的建設(shè)》中定義“回音室效應(yīng)”為，在媒體營(yíng)造的相對(duì)較為封閉的意見(jiàn)感知環(huán)境中，意見(jiàn)相近的聲音會(huì)被不斷地重復(fù)、夸張和扭曲，從而讓處于這個(gè)封閉環(huán)境中的人對(duì)這些夸張和扭曲的極端觀點(diǎn)越來(lái)越深信不疑的現(xiàn)代傳播學(xué)現(xiàn)象[18]。群體層面，國(guó)內(nèi)傳播學(xué)者梁鋒、喻國(guó)明、陳昌鳳、劉華棟等學(xué)者結(jié)合對(duì)桑斯坦《信息烏托邦》《網(wǎng)絡(luò)共和國(guó)》等著作的提煉，闡述了“信息繭房”從個(gè)體封閉走到群體極化的后果。群體極化是指群體意見(jiàn)中某些既有的偏向，經(jīng)過(guò)商討以后，群體成員繼續(xù)沿著偏向的路線前進(jìn)，最后形成極端的觀點(diǎn)。”[19]《“信息繭房”對(duì)網(wǎng)絡(luò)公共領(lǐng)域建構(gòu)的破壞》一文描述“信息繭房”的危害體現(xiàn)在“‘意見(jiàn)自由表達(dá)受阻、群體極化造成公眾理性批判的缺失、社會(huì)黏性削弱及破壞共同體維系”[20]，也是從這3個(gè)層面做出的總結(jié)。

總的來(lái)看，對(duì)“信息繭房”存在程度甚至是否存在還存在爭(zhēng)議，還需更多關(guān)注細(xì)節(jié)、量化的實(shí)證研究進(jìn)行完善。國(guó)內(nèi)傳播學(xué)者量化成果較少，王茜關(guān)于今日頭條的量化研究受樣本數(shù)量制約，其難點(diǎn)之一在于缺乏相關(guān)的公開(kāi)、真實(shí)、足夠數(shù)據(jù)量的數(shù)據(jù)集進(jìn)行研究使用。倘若收集得到真實(shí)用戶的匿名行為數(shù)據(jù)集，就可參照計(jì)算傳播學(xué)研究范式，進(jìn)行諸如學(xué)者王成軍利用Digg社區(qū)數(shù)據(jù)集，對(duì)新聞在注意力場(chǎng)中的“逃逸”問(wèn)題[21]所做的結(jié)合用戶行為模擬并進(jìn)行模型曲線擬合的數(shù)理性實(shí)證研究。難點(diǎn)之二在于新聞學(xué)研究者目前對(duì)于網(wǎng)絡(luò)科學(xué)的理論（如同質(zhì)化理論、資源依賴?yán)碚?、社?huì)影響理論）的使用依然有限[22]，而學(xué)科間還未產(chǎn)生廣泛交流與討論。

3 新聞在推薦系統(tǒng)情境中三個(gè)環(huán)節(jié)傳播的流程模型及針對(duì)性建議

在對(duì)新聞推薦系統(tǒng)進(jìn)行了背景與現(xiàn)狀綜述的基礎(chǔ)上，筆者受上述學(xué)科視角啟發(fā)，構(gòu)建新聞在推薦系統(tǒng)情境中包含信息流和數(shù)據(jù)流的“創(chuàng)作，發(fā)布/抓取，分發(fā)/點(diǎn)擊，閱讀”傳播流程模型（圖4）。這一模型指出了用戶“閱讀個(gè)性化”與新聞推薦系統(tǒng)“傳播個(gè)性化”之間的關(guān)系，并進(jìn)一步解釋了“信息繭房”問(wèn)題在現(xiàn)有技術(shù)條件下的必然和可能的突破環(huán)節(jié)。

如圖4所示，新聞推薦系統(tǒng)中存在信息流與數(shù)據(jù)流兩個(gè)信息運(yùn)動(dòng)方向。筆者將新聞推薦系統(tǒng)內(nèi)的6個(gè)典型行為“創(chuàng)作，發(fā)布/抓取，分發(fā)/點(diǎn)擊，閱讀”劃分為3個(gè)環(huán)節(jié)。

從信息流向來(lái)看，新聞信息從作為原始傳者的內(nèi)容生產(chǎn)者發(fā)布到數(shù)字媒體平臺(tái)上，作為中介傳者的新聞推薦系統(tǒng)抓取并推送給受眾閱讀。

從數(shù)據(jù)流向來(lái)看，作為原始傳者的內(nèi)容生產(chǎn)者創(chuàng)作、發(fā)布內(nèi)容，其發(fā)布的新聞作為D1（數(shù)據(jù)源1）被推薦系統(tǒng)抓取，處理為產(chǎn)品模型M1。作為受者的用戶對(duì)推薦系統(tǒng)前臺(tái)（所瀏覽的新聞網(wǎng)頁(yè)等）執(zhí)行點(diǎn)擊行為，對(duì)新聞信息執(zhí)行閱讀行為。其中，前一個(gè)行為產(chǎn)生的用戶行為日志作為D2（數(shù)據(jù)源2）被處理為用戶模型M2。推薦系統(tǒng)因而扮演著二者之間的中介角色，推薦算法通過(guò)機(jī)器學(xué)習(xí)，不斷優(yōu)化決策，以達(dá)到個(gè)性化的推薦決策。舉例來(lái)說(shuō)，Youtube推薦算法①包含兩個(gè)機(jī)器學(xué)習(xí)目標(biāo)，第一個(gè)是生成候選集，以用戶觀看歷史為輸入，使用協(xié)同過(guò)濾等技術(shù)在數(shù)以萬(wàn)計(jì)的視頻中進(jìn)行選擇；第二個(gè)神經(jīng)網(wǎng)絡(luò)則用于對(duì)視頻們進(jìn)行排序，使用邏輯回歸計(jì)算每個(gè)視頻得分，然后不斷使用A/B測(cè)試進(jìn)行

改進(jìn)。

通過(guò)這兩組信息運(yùn)動(dòng)流向的比較中可以發(fā)現(xiàn)，用戶“閱讀個(gè)性化”與新聞推薦系統(tǒng)“傳播個(gè)性化”之間，是通過(guò)用戶“點(diǎn)擊”的數(shù)據(jù)流輸入新聞推薦系統(tǒng)，推薦系統(tǒng)基于此進(jìn)行機(jī)器學(xué)習(xí)將個(gè)性化信息流輸出給用戶，達(dá)到了“傳播個(gè)性化”。因此，用戶接受的個(gè)性化信息的質(zhì)量一部分取決于原始傳者，即內(nèi)容生產(chǎn)者，另一部分很大程度上取決于作為中介傳者的推薦系統(tǒng)。在中介環(huán)節(jié)，推薦算法在用戶物品關(guān)系矩陣中攫取有效信息反過(guò)來(lái)填充這個(gè)矩陣，這是一個(gè)正向自我強(qiáng)化過(guò)程，越走越窄是宿命①。如果系統(tǒng)只對(duì)探測(cè)到的用戶興趣進(jìn)行“開(kāi)采利用”，而不發(fā)現(xiàn)新的用戶興趣，將無(wú)可避免地走向“信息繭房”。

雖然計(jì)算機(jī)學(xué)界已經(jīng)提出在推薦算法的設(shè)計(jì)中從“開(kāi)采利用”向“探索利用”優(yōu)化，但在目前仍處在研究的初期。包含3個(gè)環(huán)節(jié)的傳播流程圖啟發(fā)我們，解決新聞推薦系統(tǒng)“信息繭房”問(wèn)題，也可關(guān)注其與內(nèi)容生產(chǎn)方、與用戶之間的信息互動(dòng)。

在與內(nèi)容的洽接環(huán)節(jié)，提高內(nèi)容的廣度與質(zhì)量。目前應(yīng)用新聞推薦系統(tǒng)的媒體主要包含3類：門(mén)戶網(wǎng)站的移動(dòng)端應(yīng)用“騰訊新聞”等、內(nèi)容推薦引擎“今日頭條”“一點(diǎn)資訊”等、包含“Newsfeed”（信息流推送）的社交媒體“Facebook”“微博”等。而這些媒體對(duì)于合作媒體、自媒體、社交主頁(yè)等信息資源的采納權(quán)重不盡相同。自媒體信息質(zhì)量良莠不齊，在消息審核上仍存盲區(qū)，提高新聞數(shù)據(jù)庫(kù)的準(zhǔn)入機(jī)制，加強(qiáng)與有宏觀視野、專業(yè)素養(yǎng)和社會(huì)公信力的媒體合作，是提高新聞客觀真實(shí)性、統(tǒng)括來(lái)自不同領(lǐng)域、不同階層、不同利益群體的立場(chǎng)和態(tài)度的有效舉措。

需要注意的是，在內(nèi)容準(zhǔn)入審核時(shí)不應(yīng)局限文本信息。隨著融合媒體的發(fā)展，短視頻、直播、互動(dòng)問(wèn)答等多樣化的形式正在進(jìn)入分發(fā)平臺(tái)的融合媒體內(nèi)容端口，成為未來(lái)內(nèi)容審核新的挑戰(zhàn)。

在于用戶間的信息互動(dòng)環(huán)節(jié)，應(yīng)重視用戶心理的自省，發(fā)掘其自主能動(dòng)性。例如開(kāi)發(fā)新聞推薦系統(tǒng)的閱讀歷史可視化插件，在原有傳播流程的基礎(chǔ)上，增加推薦系統(tǒng)的一個(gè)數(shù)據(jù)輸出渠道（圖5）。

采集了用戶行為日志的推薦系統(tǒng)不應(yīng)“壟斷”數(shù)據(jù)，而應(yīng)將其算法決策轉(zhuǎn)換為給用戶的直觀提示，例如用餅圖為用戶直觀地展現(xiàn)每日閱讀的各類新聞比例。用戶的無(wú)意識(shí)行為助力的決策需要得到提示和反饋，以便使用戶認(rèn)知的不完備可以通過(guò)增強(qiáng)心理上的“自我反省”來(lái)彌補(bǔ)，這也是算法“可解釋性”的基本倫理原則[23]。

總的來(lái)說(shuō)，推動(dòng)新聞推薦系統(tǒng)“信息繭房”問(wèn)題的解決：

一是要提高新聞內(nèi)容的廣度與質(zhì)量；二是加大對(duì)推薦算法精確度以外其他指標(biāo)的考量，進(jìn)行“探索利用”嘗試；三是重視用戶心理的自省，例如開(kāi)發(fā)新聞推薦系統(tǒng)的相關(guān)插件，完善新聞推薦產(chǎn)品

生態(tài)。

喻國(guó)明等學(xué)者在《傳播學(xué)研究范式的創(chuàng)新：以媒介接觸與使用的研究為例——用戶媒介接觸與使用的研究范式及學(xué)術(shù)框架》[24]中指出，移動(dòng)傳播技術(shù)使傳播行為復(fù)雜化和結(jié)構(gòu)化，在考察新環(huán)境下媒介用戶的媒介接觸與使用特征時(shí)，可建立起適合移動(dòng)互聯(lián)傳播環(huán)境的“時(shí)間—空間—媒介接觸行為—社會(huì)關(guān)系—心理效果”五維研究框架。解決“信息繭房”問(wèn)題，還需通過(guò)社會(huì)科學(xué)的理論研究，與自然科學(xué)的創(chuàng)新開(kāi)發(fā)，共同推動(dòng)新聞推薦系統(tǒng)的發(fā)展與創(chuàng)新，同時(shí)在新的技術(shù)與媒體環(huán)境中，更進(jìn)一步認(rèn)識(shí)當(dāng)今數(shù)字化時(shí)代中新聞的責(zé)任、定位與發(fā)展

方向。

注釋

①微信公眾號(hào)“AI前線”《YouTube和今日頭條很委屈：色情暴力的鍋推薦系統(tǒng)該不該背？》http：//mp.weixin.qq.com/s/jhuFVLOnbjO0-J27B3cYiA.

參考文獻(xiàn)

[1]項(xiàng)亮.推薦系統(tǒng)實(shí)踐[M].北京：人民郵電出版社，2012：4，23-33.

[2]桑斯坦.信息烏托邦[M].北京：法律出版社，2008.

[3]王益成，王萍，王美月，等.信息運(yùn)動(dòng)視角下內(nèi)容智能分發(fā)平臺(tái)突破“信息繭房”策略研究[J/OL].情報(bào)理論與實(shí)踐.[2018-01-31].http：//kns.cnki.net/kcms/detail/11.1762.G3.20180131.1144.002.html.

[4]Resnick P，Varian H R.Recommender Systems [J].Communications of the ACM，1997，40（3）：56-58.

[5]劉輝，郭夢(mèng)夢(mèng)，潘偉強(qiáng).個(gè)性化推薦系統(tǒng)綜述[J].常州大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，29（3）：51-59.

[6]Mcnee S M，Riedl J，Konstan J A.Being accurate is not enough[J].2006.

[7]安維，劉啟華，張李義.個(gè)性化推薦系統(tǒng)的多樣性研究進(jìn)展[J].圖書(shū)情報(bào)工作，2013，57（20）：127-135.

[8]程士安，沈恩紹.數(shù)字化時(shí)代組織傳播理論的解釋與重構(gòu)——以科技進(jìn)步與傳播規(guī)律的演進(jìn)為視角[J].新聞大學(xué)，2009（2）：119-124.

[9]梁鋒.信息繭房（information cocoons）[J].新聞前哨，2013（1）：87.

[10]劉華棟.社交媒體“信息繭房”的隱憂與對(duì)策[J].中國(guó)廣播電視學(xué)刊，2017（4）：54-57.

[11]陳昌鳳，張心蔚.信息個(gè)人化、信息偏向與技術(shù)性糾偏——新技術(shù)時(shí)代我們?nèi)绾潍@取信息[J].新聞與寫(xiě)作，2017（8）：42-45.

[12]王茜.打開(kāi)算法分發(fā)的“黑箱”——基于今日頭條新聞推送的量化研究[J].新聞?dòng)浾撸?017（9）：7-14.

[13]王秋旭.信息繭房效應(yīng)下微博群體極化現(xiàn)象分析[J].新聞研究導(dǎo)刊，2015（7）：177-178.

[14]Zuiderveen Borgesius F J，Trilling D， Moeller J，et al.Should We Worry About Filter Bubbles？[J].Social Science Electronic Publishing，2016.

[15]Goldie，David|Linick， Matthew|Jabbar，Huriya|Lubienski，Christopher.Using Bibliometric and Social Media Analyses to Explore the “Echo Chamber” Hypothesis[J].Educational Policy，2014，28（2）：281-305.

[16]Bargill S，Gandal N.Online Exploration，Content Choice & Echo Chambers：An Experiment[J].Cepr Discussion Papers，2017.

[17]Bargill S，Gandal N.Online Exploration When Search Topic and Popularity Ranking Are Decoupled：Insights on Echo Chambers[J].Social Science Electronic Publishing，2017.

[18]許志源，唐維庸.2016美國(guó)大選所透射的“過(guò)濾氣泡”現(xiàn)象與啟示[J].傳媒，2017（16）.

[19]凱斯·桑斯坦，桑斯坦，英維明.網(wǎng)絡(luò)共和國(guó)：網(wǎng)絡(luò)社會(huì)中的民主問(wèn)題[M].上海：上海人民出版社，2003.

[20]胡婉婷.“信息繭房”對(duì)網(wǎng)絡(luò)公共領(lǐng)域建構(gòu)的破壞[J].青年記者，2016（15）：26-27.

[21]Wang C J，Wu L，Zhang J，et al.The Collective Direction of Attention Diffusion[J].Scientific Reports，2016（6）：34059.

[22]王成軍.計(jì)算社會(huì)科學(xué)視野下的新聞學(xué)研究：挑戰(zhàn)與機(jī)遇[J].新聞大學(xué)，2017（4）：26-32.

[23]Mittelstadt B，Allo P，Taddeo M，et al.The Ethics of Algorithms：Mapping the Debate[J].

2016（2）.

[24]喻國(guó)明，何其聰，吳文汐.傳播學(xué)研究范式的創(chuàng)新：以媒介接觸與使用的研究為例——用戶媒介接觸與使用的研究范式及學(xué)術(shù)框架[J].新聞大學(xué)，2017（1）：

85-93.