APP下载

视频个性化推荐的应用特点和优化路径

2022-09-15梁一帆

中国记者 2022年8期
关键词:内容用户算法

□ 梁一帆

在流量思维以及流量池思维的影响下,众多视频传播平台不遗余力地探索如何借用老用户源源不断地挖掘新用户。推荐实质上是经由系统挑选后的信息传递过程,它的整个运作流程涉及信息的生产者、筛选者以及用户。而基于不同传播平台变化所引起的视频推荐模式的迭代,归根结底由两方面的因素决定:一是技术的进步;二是用户的需求。随着技术的不断进步以及用户需求的不断提高,视频传播平台经历了以电视、视频网站(综合视频平台)及短视频App为主导的嬗变,每一种新的平台都是对以往平台的继承与发展。

一、个性化推荐在视频传播平台中的应用特点

在视频传播平台不断升级的进程中,个性化推荐经历了三个时代:一是主动订阅时代;二是因需搜索时代;三是算法分发时代。对用户而言,三种不同的推荐模式产生不同的效果,分别是:功能满足、搜索满足和兴趣满足。

(一)智能电视:视频推荐模式1.0及推荐特点

电视机的发展经历了从黑白到彩色、从模拟到数字、从球面到平面的迭代。在技术的迭代下,得益于国家大力推动“三网融合”产业发展,电视也迈入了智能时代,升级成为家庭多媒体信息平台。相比于普通电视,智能电视搭载了一套开放式操作系统,因而具备联网功能。在此基础上,在与用户的交互程度上得到初步发展,进入“主动订阅”时代,本研究将其称为“视频推荐模式1.0”。主要呈现的特征如下:

一是点播功能实现时移播放。在传统电视机中,用户通过接收广播电视信号,选择观看不同频道正在播放的电视节目。当电视具备互联网功能后,在线视频服务利用导航页面,根据类别划分不同模块,将视频资源库中的大量内容呈现给用户,不仅丰富了视频内容,而且推出“点播”功能,使用户能够更加灵活地安排观看时间。如果用户错过了某个频道播放的节目内容或者电视连续剧,也可以使用“回放”功能来弥补,实现时移播放。

二是搜索功能扩展交互方式。智能电视中,用户可以在系统自带的应用市场中,根据需要安装、升级、卸载各种各样的应用程序,使电视功能得到扩展。用户下载安装影视搜索类软件,点击进入,便可利用文本或者语音方式,搜索想看的视频。在用户进行主动搜索的过程中,智能电视会不断推荐与之相似的视频。

三是共享账户实现初级推荐。尽管智能电视凭借双向机顶盒能够对观众完成简单的初级推荐,但此过程当中画像的准确率和推荐的精确率,目前还处于低级阶段。一个主要原因是:一台电视往往由一家人共享。在这台电视机的共享账户记录中,留下了所有家庭成员观看、点播、回放、搜索的记录。因此,智能电视得到的用户画像,事实上是对一个家庭中所有成员的收视偏好的总的描述,并未具体到个人,相应地,推荐结果也无法实现完全个性化的推荐,只能在电视功能得到扩展的基础上,让用户体验到初步的满足。

(二)视频网站:视频推荐模式2.0及推荐特点

随着Web2.0时代的到来,国内外各大视频网站(综合视频平台)纷纷如雨后春笋般出现在网络生活中。国际上,诸如YouTube、Hulu、Netflix等;在国内,诸如爱奇艺、哔哩哔哩(以下简称B站)、腾讯视频、搜狐视频、优酷、土豆、乐视视频等,在近十几年的探索和发展中,均经历了萌芽、发展、成熟、整合等发展历程。

热门影视剧推荐曾经一度是大多数综合视频平台惯常采用的视频推荐方式,在此方式下,推荐的内容不具有个性化,内容整体上表现出千篇一律的特点。为了实现更优的传播效果、使广告达到精准投放,视频网站对用户历史搜索行为进行有效分析,挖掘用户观影偏好,在推荐过程中主要呈现的特征如下:

一是捕捉热点信息,保证点击率。视频网站热点信息推荐是一种常规的信息推荐方式。在推荐内容和推荐形式上各有特色:在推荐内容上,与新闻网站不同,视频网站中的热点信息主要指当前最热门的视频,如综艺、热播剧、娱乐新闻视频等;在推荐形式上,电商网站通常利用其他网站的弹出窗口实现热点信息推荐,而在视频网站,一旦用户打开网站首页,最新的热点视频便会占据至少1/3的屏幕,在非常显著的位置出现,或者是以“榜单推荐”的导航栏呈现。对于常见的PGC视频网站而言,它们通常采用与节目制作公司签订合同的方式,获取热点视频(综艺、热播剧等)的独播权,以此满足用户抢先观看的需求。在此种情况下,由于网站获取独播权的热点视频在前期已经进行了充分的宣传工作,因此,这些热点视频本身就是视频网站点击量的保证。而对于UGC视频网站而言,那些获得用户浏览、评论、发弹幕、分享等操作量最高的作品,就是它的热点视频,于是互动性高的作品反而保证了用户接受度以及热点视频的热度。

二是挖掘用户兴趣,提供推荐依据。利用挖掘用户兴趣进行视频推荐的方式来源于协同过滤算法推荐。在协同过滤算法中,主要包含两种推荐方式:一种是以用户为主体,另一种则以项目为主体。如表1所示,在视频网站推荐过程中,以用户为主体的推荐实质上指基于用户浏览行为(浏览、点击、评论、发弹幕、收藏、下载、分享、快进、快退等)的推荐,对浏览行为的挖掘有助于建立用户兴趣模型。此外,兴趣模型也会根据浏览行为、日志文件等进行实时更新。因此,对于用户而言,系统推荐的视频也是跟随兴趣模型数据不断更新的。以项目为主体的推荐实质上指基于用户浏览内容(视频标题、类型、地区、语言、导演、演员、剧情等)的推荐。系统在对以上浏览内容完成识别后,抓取关键词并确定其权重,得到视频信息的向量模型,进而得出视频相似度。

表1 以用户兴趣为主的视频推荐方式

不论是对于用户浏览行为的跟踪,还是对于用户浏览内容的解析,都是为了挖掘用户兴趣,构建用户兴趣模型,以便将视频网站中的内容资源模块与之进行匹配,进而形成推荐列表,产生个性化推荐结果。在视频网站中,产生的个性化推荐结果通常通过单列“相似推荐”等模块展现。不论是爱奇艺的“为您精选”模块、优酷的“为你推荐”模块以及腾讯视频的“相似推荐”模块,当用户在观看完某一部视频或者与网站产生其他交互行为后,视频网站会推荐与该视频相似的内容,或者是推荐看过该视频的其他用户喜欢的其他视频资源。

三是引进专题定制,实现资源整合。在视频网站中,相比于热点信息推荐和相似推荐等模式,专题定制模式更具有主动性和针对性。较早时期,基于专题定制的信息推荐模式曾广泛用于图书馆建设、电子商务网站及期刊出版等领域。在当下疫情防控特殊时期,疫情专题信息使相关研究人员缩短了资料搜集和整理的过程,使其能够快速获得有用的信息,有效提升了相关工作人员的工作效率。

为了减少用户手动搜索的烦琐,以及避免搜索关键词不够精准等麻烦,专题定制的视频推荐服务逐渐被各个视频网站所采用。不同的视频网站采用不同的专题定制视频推荐形式,主要有自主订阅形式、分区频道形式、定期推送形式(表2)。

表2 视频网站专题定制推荐形式

四是运用社会标引,发展圈层文化。在进行个性化推荐时,视频网站对视频资源进行人物、场景、语音、文字等方面的识别与归类,便于视频内容搜索与推荐。但由于网站所谓的分类标签不够细化,而且视频资源同时包含音频、文字和图片等素材,这无疑提高了对视频资源检索的难度,因此传统的以网站为主体的主题标引推荐准确率往往不高。在此背景下,部分视频网站和系统引入了社会标引,社会标引逐渐成熟。社会标引赋予用户更多的权力,允许用户自由使用词汇完成自主标引,这一举动有效促进了视频网站上资源的整合与归类。在国外,Flick较早引入社会标引方式;在国内,截至目前,几大主流视频网站中,只有B站向用户推出社会标引功能。

B站自2009年6月创建以来,用户、标签及资源间的相互促进,促使该平台成为以青少年为主的社区。用户本身具有较强的学习能力和模仿能力,他们可以用较短的时间将B站社区的语言文化谙熟于心,继而把这类文化引入其中,使其成为一种独特的标引范例。譬如,B站用户在对视频资源进行描述时,并非使用视频网站提供的标准,而是选用更加有趣且吸引注意力的方式,如“燃到炸裂”“菜得抠脚”等。B站里充满幽默风趣的标签内容主要涉及以下方面:内容主题、作品评论、人物主体、涉及作品、系列名称、相关责任者、作者评论、观看指南及抽象形容等。各类视频标签内容,相比文字标签更具“娱乐性”。对于标引娱乐化现象,已有学者进行总结,娱乐标签即用户运用比传统语言更能吸引注意力且采用更加有趣的语言描述资源的标签。“所有公众话语都逐渐以娱乐的方式呈现……电视和印刷术的思维方式是完全不一样的……”。波兹曼直截了当地说明:铅字和视频会使人产生不同的思维模式。

对于B站这样一个有自己语言体系的社区来说,用户凭借社区独有的表达方式为观看的视频资源贴标签,是文化认同的表现。无论是出于资源的组织与描述,还是表达意见的需要,B站中独有的标引方式,在方便用户表达情感反应的同时极大提高了视频资源的组织与推荐效率。

(三)短视频:视频推荐模式3.0及推荐特点

如果说,以智能电视和视频网站为主的传播平台,不能较好地使用户感受到推荐算法的优势,在以社交类短视频软件为主的传播平台中,用户无疑深刻地感受到算法对其获取内容及分享内容的影响。对于当今众多的普通短视频用户而言,绝大多数用户实质上并不了解视频推荐算法的技术逻辑,他们多数时候所进行的视频内容消费,都是在推荐系统作用下完成的。快手抖音视频号推荐的短视频内容、今日头条推送的小视频、新浪微博弹出的各种视频链接、爱奇艺优酷等形成的影视剧推荐列表……无时无刻不在向用户进行推荐。

从智能电视到视频网站再到短视频平台,促使推荐算法不断迭代和完善的原始动力就是提高推荐准确度。可以说,推荐系统在运行过程中,一边在“断物”,一边在“识人”。具体来说:第一,对于用户而言,他们最大的满意就是看到符合自身个性的内容,对于所推荐的内容,用户会留下正向和负向两种反馈,而这种反馈正是推荐系统借机揣摩用户兴趣偏好的依据,对于用户的偏好越了解,后续向他推荐的内容便越合他的胃口。第二,对于内容而言,它的目的就是找到愿意看它的用户,只是愿意看还不够,最好是进行点赞、评论、收藏以及转发等互动行为,这样的传播效果才是最理想的。

短视频时代的推荐算法是视频推荐发展变革的一个新阶段,本研究将其称为“视频推荐模式3.0”。与电视时代和视频网站的内容推荐模式相比,我们能够明确地感觉到,视频推荐模式已经进入了新时代。其推荐模式深深的展现出新技术烙印,与此同时,也将短视频时代内容产业发展的美好前景展现在人们眼前。

一是完善用户画像,优化内容策划。在我们使用快手、抖音等不同的短视频移动应用及微信视频号时,不少用户会产生好奇,为什么有时候系统推荐的视频内容让人忍不住观看,而有时候又觉得系统一点儿也不够智能,推荐的视频内容无聊至极,想要立刻关闭应用甚至卸载。究其原因,实质上是因为系统此时对用户的画像以及对自身平台上的内容的画像不够精准,这样的后果便是用户黏性差、产品被卸载率高,最终只能被市场淘汰。

因此,用户偏好获取是推荐过程中相当关键的一步。对此,短视频推荐首要解决的问题是用户画像问题,只有明确视频内容是拍给哪类群体看,才能有针对性地进行创作。目前,对于众多短视频平台的推荐算法而言,用户画像实则是将用户信息实行多次组合排列。静态画像数据一般具有人口统计学特点,包含用户的性别、年龄、学历、职业、婚姻情况、兴趣爱好、行为、使用机型等。以上数据通常较为稳固,获取的方式主要有两种:一是请求直接填写;二是调用其他平台已有信息。动态画像数据指用户在与产品进行交互时产生的显式或隐式行为。具体而言,显式行为主要包含对短视频作品的点赞等常规交互行为。隐式行为是指短视频作品的完播率、是否快进、持续观看时间、用户跳出点等。在这里,动态数据主要取决于产品场景,每种行为都有各自的权重。通常情况下,隐式行为的权重低于显式行为。不过在实际操作过程中,两种行为具有互补性,以此协助系统实现推荐高精准率的目的。

对此,快手的做法值得行业内其他产品借鉴,它在揣摩用户的偏好基础上,将不同的算法进行组合运用,以保证平台内容的完播率。具体而言,当新用户点击快手App后,这时候由于还没有注册登录,系统还无法为用户形成画像。因此,只能通过在界面上随机展示以及瀑布流等方式,吸引用户尽可能多地与视频内容进行点赞、评论及转发等互动内容。一旦用户与平台产生交互行为,系统便会开始画像,参与视频内容的后续推荐工作。在抖音App中,如果新用户完成注册并登录,就由“同城”“关注”和“推荐”等几种不同的组合推荐开始推荐工作,为用户在不同场景下提供所需的视频内容。三者在同一界面的同时呈现,正是混合推荐的典型应用例子,能够避免某种单一推荐算法运行所带来的局限,使推荐结果变得多样化和公平化。此外,在进行登录时,如果新用户选择利用微信账号或者微博账号等第三方平台进行登录,这种情况下推荐系统还会调用社会化过滤推荐系统,从而向用户推荐他们在相关社交平台上的好友浏览过、点赞过、转发过以及评论过的短视频内容。

相比于抖音快手,腾讯在2020年初推出的微信视频号是基于强关系的信息交流。得益于微信这个最大的私域流量池,视频号的推荐模式由公域转向私域,更强调关系属性。因此,在推荐作品时熟人分发比例最高,对创作者而言利于建立社交闭环,加之与公众号的良性联动,微信视频号拥有最多元的变现形式。综上所述,完善用户画像,不论对于短视频平台还是短视频创作者而言,都具有关键性作用。

二是匹配相关性,增强内容垂直度。在短视频推荐算法机制中,以相关性特征作为重要的参考环境特征,利用相关性特征,能够检验内容与用户是否匹配。匹配方式根据主题、关键词等的不同,采取不同的方式。依据2020年短视频发展趋势可得,各大短视频平台的网红IP用户、大IP用户都具有垂直化传播特征。之所以呈现这样的传播现象,是因为内容的垂直度直接关乎内容的匹配度。

在算法占领支配地位的短视频平台规则里,很明显,拥有几百万甚至千万级粉丝的创作者,都在持续创作并输出同一领域的内容。当下,不论是平台还是创作者,都致力于增强内容垂直度。平台和创作者们坚信:每一个行业都有其特定的客户群体,这类群体通常有非常精准且具体的需求。因此,只有专业的内容才能满足他们。

基于此,快手平台目前将视频内容分属于34个频道:时尚、军事、政法、家居家装、美业、健康、婚庆、本地生活、主持人、教育、人文艺术、读书、快手课堂、科普、三农、美妆、宠物、健身、房产、快说车、情感、娱乐、广场舞、舞蹈、体育、聊天室、小剧场、音乐、旅行、二次元、游戏TV、颜值、喜剧、品牌广场。抖音官方平台星图显示,其账号分为25个一级类目,每个一级类目下面还有细分目录。除了星图平台对账号的分类,抖音第三方数据平台飞瓜对账号也进行了分类,相比过去,新增了知识资讯、办公软件、文学艺术等类别。B站直接把短视频归为七大频道,分别是直播、推荐、热门、影视、追番、新征程、共同抗疫,每个频道下再进行一系列细分,共有32个分区。特别是“新征程”频道,分为红色展馆、百年党史、青春向党、百年风华四个分区,便于用户快速搜索自己感兴趣的短视频领域,实现垂直化分层传播。

□ 示意图:用户偏好获取是推荐过程中相当关键的一步

内容垂直度涉及整个账号生命周期内创作的内容类型、内容生产方式、账号营销宣传方式、账号内容可获得的最大流量等多个方面,所以,创作者需要谨慎作出选择。目前,母婴类、教育类、历史文化类、生活服务类、健康类等垂直领域的专业内容,都正成长为下一波新的市场发展机会。对于原创的垂直领域的内容,平台算法会将其优先推荐给订阅粉丝,这类粉丝在观看此类内容时所产生的动态数据和静态数据,能够极大影响接下来的推荐进程。

三是嵌入互动内容,提供附加价值。通过嵌入更为丰富的互动内容,短视频时代的推荐算法,相比智能电视和视频网站,赋予了用户更多表达自我和选择的权力。显然人们获得更多的机会在新媒体平台上相对自由地表达自我,在整个自我表达的过程中,一方面促进了人们的群体归属感;另一方面,也有助于整个社会更好地维持稳定与和谐。

据大数据公司QuestMobile 统计,截止到2018 年6月,微信作为移动社交的App,月活跃用户规模已达9.3 亿。微信公众号作为其产品之一,数量超2000 万,月活跃账号350 万,月活跃粉丝约8 亿,其中95 后用户数量达2.30 亿。而与之形成对照的2018 年9 月3日~9 月9 日教育培训App 行业周新安装用户规模统计中,高等教育仅有34.4 万,处于各分类最低。本文研究了基于微信公众平台在高等教育中的一门通识教育课程——《计算机基础》教学中的应用,总结出经验,探索适合高等教育移动学习发展之路。

在短视频推荐算法运行机制中,点赞、完播率、评论、转发这四种显性指数是实现内容被广泛传播的必要条件。相比于电视和视频网站的点赞、评论、转发,短视频的完播率更能反映内容能否将用户吸引。在这里,新的推荐算法也为用户赋予了更多附加价值,在一定程度上扮演了议程设置者的角色。用户在短视频平台中进行互动时,推荐系统将其选择行为转化为完播率等相关行为数据。与此同时,对于部分垂直领域内的专业知识,还可能产生内容付费、打赏等一连串的花费路径,这些行为向短视频平台及内容创作者们提供更为稠密的反馈数据,进而影响随后的推荐进程。

综上所述,视频推荐模式3.0时代也向当前推荐算法的研发与应用能力提出了更高的要求。如果说,以智能电视和视频网站为传播平台的视频推荐还处于“前算法时代”,那么,以短视频App为传播平台的视频推荐显然已正式进入“算法时代”。未来,视频推荐模式的迭代将会持续深入,传媒产业的经营主体及相关行业的从业者,除了提升新技术研发与运用能力,更要思考如何从技术规制层面提出促进其良性发展的举措,争取在时代潮流中把握好当下内容产业的发展方向。

二、个性化推荐在视频传播平台中的优化路径

作为数字媒体时代的基础技术,算法推荐有其双面性。在短视频推荐算法运行过程中,经过用户和技术的赋权后,个性化推荐算法拥有了打破旧局面的特殊权力,且萌发了并不“向善”的动机,分别在受众层面、行业层面及社会层面引发了一系列新的媒介伦理失范现象。加之人们天生热爱追求观点的“同频共振”,更愿意观看想看的内容,与观点相似的人交流沟通,“信息茧房”的破茧之道已成为多学科关注的热点问题。如今,更加智能的深度学习技术已经代替传统推荐技术,被用于解决信息的分类和聚类问题,人、技术和社会信息结构展现出了更加复杂的图景。

针对个性化推荐系统对公共利益造成的种种隐患,应综合考虑,主要从个性化推荐算法的创设主体、运用主体和收受主体三方面展开讨论。寻求技术的优化路径,进而探讨视频时代“算法+平台”的推荐模式创新与开放性建构。

(一)创设主体:增强自律管理,评估隐私泄露风险

推荐算法的创设主体即算法的创设者和拥有者。每一种算法技术背后,都深刻地体现着主体们的意志和利益,推荐算法技术在获取大量用户、追逐商业利益的过程中,尽管提供了非常诱人的好处,但也带来了不容忽视的负效应,即用户数据的安全和隐私受到各种威胁。

推荐系统在追求精准推荐的过程中存在“过度收集”现象。多数移动短视频应用在安装使用之前都必须同意其中的某些隐私条款,涉及GPS定位、调用摄像头麦克风、允许记住密码、获取手机通讯录、读取SD卡、储存权限等隐私的设置。诸如此类“隐私换便利”的现象恰恰为用户隐私泄露制造了机会,也为垃圾广告骚扰提供了数据支撑。

针对上述网络空间治理的棘手问题,我国相关法律规定还处于滞后状态。尽管我国早在2017年6月就实施《中华人民共和国网络安全法》,但由于技术的快速发展,现有法律法规存在针对性不强、专业度不够等现状。

作为技术的提供者——推荐算法创设主体,增强自律管理,接受政府相关部门管理和社会监督,是摆脱技术负效应困境的重要一环。针对用户隐私泄露问题,已有学者针对“隐私量化”进行了初步研究工作,但研究成果尚未得到推广。因此,从技术角度对隐私泄露风险进行科学评估,消减公众的被操纵感,未来应该成为算法创设主体可操作的工作目标。

(二)运用主体:成立行业委员会

短视频推荐算法运用主体即众多短视频社交媒体,对于蓬勃发展的短视频社交媒体,平台自律才能够更好地引导短视频传播良性发展。在短视频社交媒体行业,成立行业委员会,有助于帮助企业探讨完善相关准则。

(三)收受主体:提升全面认知及信息管理能力

推荐算法技术的快速发展及其在短视频领域内的引入,使得视频内容产品在部分意义上是围绕着推荐收受主体即短视频用户的偏好、兴趣以及特质而完成视频内容的传播和推送的。长此以往,在这种深层次的隐秘的影响下,推荐算法能够悄然对短视频用户主体身份实施改变。利用推荐算法,一方面视频内容收受主体能够了解世界最新的动向;另一方面,也能够找到处理与世界关系的更好方式,甚至也能在这个过程中,找到与自我对话的最优方式。从这个角度出发,对于视频内容收受主体而言,推荐算法就发挥着积极的意义,使得其主体性得到较好的展现。

但从另一角度看,在争取到主体性的同时,视频内容收受主体也有陷入主体性丧失的危机可能中,在以推荐算法为技术支撑的视频内容传播实践中,视频内容收受主体自主性的移交就会造成主体性丧失的可能。这种移交表面上看是对信息选择权力的移交,实质上是对认识世界能力的移交,但推荐算法为内容收受主体呈现的世界并非是真实的。因此,作为推荐算法收受主体的用户,应当提升全面认知及信息管理能力。

三、结语

视频时代个性化推荐的模式迭代,带来人与机器权力结构的不断改变。人、技术和社会信息结构展现出了更加复杂的图景。毫无疑问,个性化推荐正在加速网络空间中的“巴尔干化”,在技术与人这一对关系中,我们应当时刻保持清醒,技术是工具,人是目的,是价值关怀的终点。恰如康德在其《实践理性批判》中所说:“在全部造物中,人们所想要的和能够支配的一切也都只能作为手段来运用,只有人及连同人在内一切的有理性的造物才称得上是自在的目的本身。”

[1]赵辰玮,刘韬,都海虹.算法视域下抖音短视频平台视频推荐模式研究[J].出版广角,2019(18):76-78.

[2]郭小平,张小芸.计算传播学视角下短视频的类型化推荐及优化策略[J].电视研究,2018(12):32-34.

[3]刘冰,魏均民,沈锡宾等.新型冠状病毒肺炎疫情期间专题信息服务工作及引发的思考[J].编辑学报,2020,32(02):132-137+144.

[4]Darvish S,Chin A.Dealing with the video tidal wave:the relevance of expertise for video tagging[C]//Acm conference on hypertext &hypermedia.ACM,2010:289-290.

[5]杨玉宇,张鹏翼.视频社会化标引与标引娱乐化研究——以哔哩哔哩弹幕网为例[J].图书情报工作,2020,64(08):125-133.

[6]尼尔·波兹曼.娱乐至死[M].章艳译.北京:中信出版社,2015.

[7]张玉洁,董政,孟祥武.个性化广告推荐系统及其应用研究[J].计算机学报,2021,44(03):531-563.

[8]张宴硕,董雪.算法推荐机制下的短视频创作与传播[J].新媒体研究,2020,6(18):117-119.

[9]吴锋,宋帅华.井喷增长、场景多元、分层传播:2020年短视频行业发展特征及趋势前瞻[J].编辑之友,2021(02):53-58.

[10]张佳.短视频内容算法[M].北京:人民邮电出版社,2020:136.

[11]刘友芝.知识付费平台持续发展的现实瓶颈与创新突破[J].编辑之友,2018(11):22-27.

[12]吴锋,杨晓萍.算法推荐背景下用户媒介使用对“回音室”效应的影响研究——兼论媒介素养的调节作用[J].西南民族大学学报(人文社会科学版),2022,43(05):142-146.

[13]陈昌凤,仇筠茜.“信息茧房”在中国:望文生义的概念与算法的破茧求解[J].新闻与写作,2020(01):58-63.

[14]匡文波,张一虹.论新闻推荐算法的管理[J].现代传播(中国传媒大学学报),2020,42(07):120-124+146.

[15]李明德,李巨星.智媒时代算法推荐的社会风险与协同治理[J].青年记者,2021(21):16-18.DOI:10.15997/j.cnki.qnjz.2021.21.018.

[16]张洪忠,斗维红,张尔坤.圈层的背后:网络信息传播的“巴尔干化”分析[J].编辑之友,2022(05):49-53.

[17]康德.康德三大批判合集(下)[M].邓晓芒译.北京:人民出版社,2009:100.

猜你喜欢

内容用户算法
内容回顾温故知新
基于MapReduce的改进Eclat算法
Travellng thg World Full—time for Rree
进位加法的两种算法
关注用户
主要内容
关注用户
一种改进的整周模糊度去相关算法
关注用户
如何获取一亿海外用户