网购平台个性化推荐算法的伦理困境及规制——以移动电商“淘宝”为例

何顺民，曹文泉



网购平台个性化推荐算法的伦理困境及规制——以移动电商“淘宝”为例

何顺民，曹文泉

（淮阴师范学院 传媒学院，江苏 淮安 223300）

个性化推荐算法在网购平台中的运用，一定程度上解决了海量商品信息与用户个性化需求之间的矛盾，并为精准营销带来了可能，但其在运用的过程中也引发了一些伦理问题，如：内容同质化、用户隐私泄露以及“圆形监狱”等。针对个性化推荐算法引发的伦理问题，需要从政府和行业层面重构网购平台个性化推荐算法的伦理。

算法；伦理；网购平台；个性化推荐

信息爆炸时代，用户获取信息的成本不断增加，“个性化”推荐技术的应用满足了受众多样化需求。目前，该技术已在电商平台、视频网站、新闻客户端、音乐网站等多领域广泛应用。技术的不断发展使受众从纷杂信息中解放的同时，也带来了一系列问题，如推荐内容同质化、用户隐私泄露以及“圆形监狱”的出现等。

截止2018年6月，我国网民规模为8.02亿，手机网民规模达7.88亿，网络购物用户规模达到5.69亿，其中手机网络购物用户规模达到 5.57 亿，网络购物已成为我国网民使用比例较高的应用。[1]在2018年的“双十一购物狂欢节”，星图数据监测到，全网在“双十一”当天的成交额为3 143.2亿元，其中移动端消费占比93.6%，绝大多数消费者更爱用手机下单。“淘宝天猫”更是以2 135亿元的成交额占据总成交额的67.9%①，遥遥领先京东、苏宁、亚马逊等其他平台。

进入平台，用户根据自己的购买意图键入关键词查找所需商品。虽然可按销量、价格对商品进行排序，或通过筛选品牌或发货地等来缩小选择范围，但各大平台提供的商品不计其数，面对琳琅满目的商品，用户还是难以选择。而个性化推荐算法的应用，提高了用户获取信息的效率，能够让用户迅速找到满意的商品，但同时也带来了一些风险。本文将以“淘宝”②为例，探讨网购平台个性化推荐算法的主要机制及其带来的伦理问题和负面影响，并提出一些规制措施以完善网购平台服务机制，保障用户权益，提升用户体验。

一、网购平台个性化推荐算法的主要机制

网购平台中商品不计其数，用户的特点与偏好各不相同，要实现精准营销，必须展现符合他们个性化需求的商品。个性化推荐算法的运用，便对用户做出了具有针对性的排序推荐。

网购平台最常用的经典个性化推荐算法有协同过滤（Collaborative Filtering）、基于关联规则的推荐（Associate Rule-based）、基于内容/知识的推荐（Content-based/Knowledge-based）和混合推荐（Hybrid Recommendation）。[2]

（一）协同过滤

协同过滤的思想来源是人们在现实生活中会相互推荐自己喜欢的东西，它可以分为基于记忆的协同过滤（Memory-based）和基于模型的协同过滤（Model-based）。[3]

1. 基于记忆的协同过滤

基于记忆的协同过滤主要有两种方法：基于用户的协同过滤（User-based CF）和基于项目的协同过滤（Item-based CF），它们是推荐系统领域最经典的推荐算法。

基于用户的协同过滤先使用User-based CF的相似度，找出k个与目标用户相似的用户，再根据预测模型对相似用户喜欢的物品进行评分，然后过滤掉目标用户已经消费过的物品，最后将剩余物品按照预测评分排序，选取评分最高的前个物品进行推荐。假设现在有甲、乙、丙三位用户，甲喜欢商品A、B、C，乙喜欢商品D，丙喜欢商品B、C，那么User-based CF会觉得甲和丙两位的用户喜好比较相似，然后将商品A推荐给用户丙，也就是说两个相似的人，其中一个人喜欢的东西另外一位也可能喜欢。

基于项目的协同过滤是业界应用最广的推荐算法之一，它通过计算项目间两两的相似性，然后目标用户对某个项目的评分可以根据其对相似项目的评分来预测，之后再对预测评分进行排序，选取评分最高的前个商品进行推荐。也就是说，与用户喜欢的商品相似的产品他可能也会喜欢。

2. 基于模型的协同过滤

基于模型的协同过滤这种方法的主要思想是利用用户对项目的评分来构造一个评分预测模型，其中使用了多种机器学习和数据挖掘的计算模型，然后通过该模型实现对未知评分的预测。常用模型有贝叶斯网络、聚类算法、降维的技术、图模型和回归模型等。[4]

（二）基于关联规则的推荐

早在20世纪90年代，美国沃尔玛超市的管理人员在分析销售数据时发现，啤酒与尿布这两件看上去毫无关系的商品会经常出现在同一个购物篮中，经过后续的调查他们了解到，这种情况发生在年轻的父亲身上——因为孩子的母亲通常要在家照顾孩子，所以她们会经常嘱咐丈夫在下班路上为孩子买尿布，而丈夫在购买尿布的时候又会顺手购买自己爱喝的啤酒。正是因为发现了尿布和啤酒这两种商品之间独特的关联，于是沃尔玛在卖场中尝试将啤酒与尿布摆放在相同区域，这一举措给他们带来了良好的销售收入。

这个故事体现了大数据思维的重要性。此后，人们便开始通过分析购物篮中的商品集合，找到商品之间关联关系的关联算法，根据商品之间的关系，找出顾客的购买行为，于是就产生了基于关联规则的推荐算法。这种算法是将交易数据集合中满足支持度阈值和置信度阈值③的规则挖掘出来，根据挖掘出来的关联规则，为用户推荐与其喜欢的商品相关联的商品。[5]

其在网购平台中的体现便是“打包推荐”。比如当我们在“手机淘宝”APP中点开一个锅的商品链接，在我看完它的商品详情界面后，后面“看了又看”版块里还会出现饭盒、蒸蛋器、榨汁机等商品，在其之后的“精选好货”版块里面还有出现吹风机、热水壶、电磁炉、数据线等商品，然后整个页面才结束。

（三）基于内容/知识的推荐

基于内容/知识的推荐算法是根据历史信息（如评价、分享、收藏的文档）构造用户偏好文档，计算推荐项目与用户偏好文档的相似度，将最相似的项目推荐给用户。[6]算法根据用户浏览记录、商品评价、购物车或收藏夹中宝贝等，推断用户需求和爱好，向用户推荐相关商品。我们在平常使用中就可以察觉到这样的规则，比如我们在淘宝浏览完一些商品后关闭平台，当我们再次打开时就会发现，首页的“淘宝头条”向我们呈现的都是与之前浏览过的商品相类似的商品。

（四）混合推荐

混合推荐是通过加权（Weighted）、变换（Switching）、混合（Mixed）、特征组合（Feature Combination）和层叠（Cascade）等方式将多个算法技术融合计算和推荐，弥补单一算法的缺陷，从而获得更优的推荐效果。[7]

此外，网购平台个性化推荐算法的最新研究还有学习排序（Learning to Rank）、页面整体优化（Page Optimization）、情景推荐：张量分解（Factorization Machine）和深度学习（Deep Learning）等。个性化推荐算法的技术在不断发展，推荐形式也在不断丰富。

纵观以上各种推荐算法，我们不难发现，网购平台的个性化推荐算法是基于用户数据的推荐算法。无论哪种算法，都是先对一定的数据进行挖掘、分析，然后再向用户进行商品推荐。所以，用户数据对于网购平台及其算法来说，至关重要。

二、网购平台个性化推荐算法产生的伦理问题及负面影响

（一）竞价排名一定程度上为恶意打击报复提供了机会

“淘宝直通车”是淘宝为商家实现精准营销而推出的一种按点击付费的效果营销工具。卖家根据所要推广的商品的特性，选择一系列关键词并设定相应的竞拍价格。当用户键入关键词后，前排“广告位”则会按商家的竞拍价格从高到低排列商品，用户点击进入商品界面后，商家便要为此次点击支付相应的竞拍价格。从2014年6月4日起，“淘宝直通车”还融入了个性化推荐，即当不同的用户搜索同一关键词时，搜索结果会根据用户的年龄、性别、购买力、购物车内商品、收藏商品等的不同，将商品进行个性化展示投放。

淘宝直通车的广告商品，以搜索页面中商品图片左上方带有“HOT”字样为标志。这种竞价排名的推荐算法给一些卖家或消费者提供了打击报复的机会——可以故意点击直通车产品，消耗广告费用。在2011年“10.11事件”④中，许多中小卖家召集大量网友，点击淘宝商城大卖家的直通车产品，无端消耗广告费用，还大量下单、恶意差评并故意举报其卖假货，给很多淘宝商城大卖家造成了巨大的损失。

（二）算法排序机制导致虚假交易盛行，严重误导消费者

淘宝的搜索排名与商品的销量和评价有着很大的关系，于是很多商家为了获得较好的搜索排名，雇佣刷手“刷单”以提升店铺信誉和商品销量，从而提升排名。2016年，央视在“3·15”晚会上曝光了淘宝的刷单产业链。近两年来，淘宝也采取了一系列措施严厉打击“刷单”行为。阿里的科学家一直致力利用大数据，采用机器学习、深度学习、大规模图搜索和实时计算来解决反作弊问题，对于雇佣刷手“刷单”的店铺毫不留情，降权、扣分、删除信誉，甚至封店。对参与“刷单”交易的淘宝账号采取冻结淘宝账号、降低芝麻信用评分、关闭“花呗”功能、取消“极速退款”特权等措施。

但是“上有政策，下有对策”，“刷单”这一现象并没有杜绝，依然有很多卖家铤而走险，雇佣刷手进行“刷单”操作。只不过现在的“刷单”操作越来越“逼真”：店家会要求刷手“货比三家”，对刷手浏览商品的时间也做了规定，而且要求同一刷手必须时隔至少一个月才能为同一家店铺继续“刷单”，这一系列的对策让交易真假难辨。“淘宝所建立的销量排名、信用排名等评价体系，是消费者选择商品的决策依据之一，‘刷单’会对消费者产生严重误导。”[8]

（三）算法带来信息窄化，用户信息选择权遭受侵犯

皮尤研究中心一项针对美国成年人的调查显示，随着算法的普及，公众正开始对“客观的”算法产生怀疑。在关于接受度的调查中，68%的人认为利用算法进行个人消费信用评分不可接受。[9]在线数据有时候并不能准确反映一个人的真实情况，而根据用户的搜索及浏览记录、订单信息、设备信息等，提取用户偏好和行为习惯等特征，并基于此对用户进行画像，对其即将接收到的信息进行筛选后推送，这在一定程度上侵犯了用户自身对信息进行选择的权利。

当用户点击某种商品时，算法便默认用户对这件商品感兴趣，并不断地向其推荐类似的商品，于是用户的点击量便会增加，当点击量增加时，算法系统将会继续推荐，形成一种“死循环”。而用户的喜好并不是一成不变的，这种将候选项限定在与历史兴趣相似范围内的推荐算法限制了尝试推荐给用户未曾购买但是可能感兴趣的商品，反而降低了用户体验。当用户厌倦了某一风格想尝试不同风格的时候，会发现算法给他们推荐的商品都是与以往购买过的产品相同或相似风格的，这便会给他们带来困扰，用户的信息选择权遭到了侵犯。虽然算法通过机器学习可以不断提高个性化推荐的精准度，但它依然无法突破匹配给定的上限。于是用户需要不断地更改搜索关键词，从大量的商品中寻找符合自己期待的商品，时间成本相应地也大大提高。

（四）算法推荐过程被关入“黑箱”，用户陷入“圆形监狱”

“黑箱”是控制论中的一个概念，指人们所不知的区域或系统。对用户而言，网购平台的推荐算法就被关入了“黑箱”。“随着算法越来越复杂，在无监督计算的后期，可能即便是程序员本身也无法了解机器对于数据到底做了什么，而这样的过程又可能是带有偏见、歧视、以及错误性信息的，因此，通过算法做出的判断和推荐，由于过程的不透明性，故而难以监督。”[10]

网购平台如同瞭望塔上的监视者，掌握着用户的消费行为、购物习惯以及由此分析出的一切个人信息。当用户选择网购的那一刻，就意味着已经将自己的很多信息无偿地献给了平台，在网购平台中，用户的一举一动都被以数据的形式记录了下来。推荐算法对其记录的数据是如何进行分析的？通过这些数据，算法到底能分析出哪些信息？以及具体的算法推荐过程等，这些用户都无从知道。于是，正如舍恩伯格所说，“今天这个时代，遗忘变成例外，记忆成为常态，人类住进了数字化的圆形监狱”。[11]

（五）用户数据被广泛分享，个人隐私无处安放

投身电子商务的企业通常有三种收集分析用户数据的方式：第一种是自身所在部门的数据分析师们通过不同的算法分析各种途径抓取的数据，然后得出企业所需要的用户信息；第二种是将有关的用户数据打包给其他数据分析公司，委托其对打包的数据进行处理；第三种是直接从数据公司购买自己想要的数据信息。[12]从用户角度来说，第一种方式隐私泄露的风险相对较小；如果企业通过第二种方式将用户信息打包给数据分析公司分析，这无法保证数据公司不会对用户的数据进行再出售；而在第三种方式中，用户的数据已经成为商品不断被交易。大数据时代，数据就是财富，在利益的驱使下，用户的隐私时刻都面临着被泄露的风险。

淘宝网的用户信息是与其关联公司⑤蚂蚁、菜鸟、高德、优酷土豆等还有其授权合作伙伴共享的。它的授权伙伴包括广告、分析服务类的授权合作伙伴和供应商、服务提供商和其他合作伙伴，数量之多，范围之广。虽然它的《法律声明及隐私权政策》向用户说明了平台收集了用户哪些信息以及如何收集、管理、保护和如何使用Cookie和同类技术等，但也只是“采取相应安全保护措施，尽力保护您的个人信息安全可控”，所以，隐私泄露的风险依然存在，用户对待个人产生的隐私依旧是“提心吊胆”。

三、网购平台个性化推荐算法伦理的重构

“算法的运用是人类所主导的，带有人类的价值观，常受到来自经济、政治等非技术力量的影响，在看似客观的代码中运行着人的意志。说到底，无论算法如何智能，以人为本，明确算法工程师、新闻从业者、社会管理者的责任与价值观，才是根本。”[13]技术的运用，“人”始终是核心。算法是一种新技术，在其发展的过程中必然会暴露出一些问题，这就需要对其不断地调整，将其往公正的方向修正。相关责任主体需要采取一些措施解决或尽量规避这些问题，以重构网购平台个性化推荐算法的伦理。

（一）政府层面

1. 成立算法审查机构

算法推荐过程由程序员们编写的一套套代码完成，而这些代码被关入“黑箱”，用户无法看到源代码，也就不明白其中的具体规则。这种不透明性导致用户完全处于被动接受算法推荐结果的状态，一旦算法设计者在其中装入某种不公正因素，这将扰乱公正的市场秩序，消费者的利益也会遭到侵蚀。但是推荐算法又涉及到商业利益，算法中往往包含着企业的商业机密，如果完全向公众公开，企业的利益必然会遭到威胁。所以有必要成立一个既可以保护公众权益又不会对企业利益造成威胁的算法审查机构，对各个平台的个性化推荐算法进行审查和监督。

2. 完善相关法律

“刷单”行为不仅违反了我国《关于维护互联网安全的决定》和《互联网信息服务管理办法》中的相关规定，也触犯了刑法中的相关规定。但这几部法律中的相关规定都比较笼统，最新修订的《中华人民共和国反不正当竞争法》对电商的虚假交易行为进行了明确的规制，该法第八条规定“经营者不得通过组织虚假交易等方式，帮助其他经营者进行虚假或者引人误解的商业宣传。”该法第二十条对违规行为做了相应的行政处罚，第三十一条又规定：“违反本法规定，构成犯罪的，依法追究刑事责任。”两者形成了一个行政处罚与刑事追责相衔接的处罚规定。不过以上提及的几部法律中，相关处罚都只是针对商家和“刷单”平台的组织者，而那些参与“刷单”的刷手却逃过一劫，所以法律还有必要对刷手给予一定的处罚，以更好地治理虚假交易现象。

网购平台中用户隐私权的侵犯，是商业资本在作祟，而算法只是提供了捷径。虽然网络隐私权的问题在我国立法中已经得到了一定的重视，我国法律对公民网络隐私权的保护已经从最初的较为笼统开始走向具体和有针对性，相关保护制度也日渐丰富，但从现实情况看，依然存在着网络隐私权地位不明确、界定不统一、保护不具体、救济不到位的问题。这样既不利于侵权行为的事前预警防范，也不利于事后追责工作的开展。[14]此外，我国法律对算法的责任主体尚不明确，其系统性和精准性有待加强，而且应有明确的指向性，对违法行为的惩罚力度也要加大，不应该只是责令整改、警告、没收非法所得、罚款、吊销营业执照等不痛不痒的处理，因为这无法从根本上杜绝“有意违法”。

（二）行业层面

1. 不断优化算法技术，维护用户的信息选择权，保障用户隐私安全

相关企业的算法工程师在开发算法时不仅要注重对精准性和商品成交率的追求，还应尊重用户的信息选择权、保护用户隐私安全，解决现有算法的弊端，不断对推荐算法进行优化。在保护用户隐私这一方面，行业内淘宝做得相对较好。为了能够在探索数据背后巨大价值的同时保护用户的隐私不被泄露，阿里团队的工程师提出了一个能够应对网络数据隐私攻击，提供有效隐私保护的可视分析系统——“GraphProtector”。该系统不仅能够更全面、更细致地保护用户隐私，避免后续的挖掘引起隐私暴露，同时能够平衡数据质量发生的变化，减少对后续数据挖掘的影响，兼顾到了数据的实用性。[15]

此外，平台对用户信息进行收集时应征得用户同意，“隐私协议”更新需及时告知用户。我国《网络安全法》第四十一条规定：“网络运营者收集、使用个人信息，应当遵循合法、正当、必要的原则，公开收集、使用规则，明示收集、使用信息的目的、方式和范围，并经被收集者同意。”用户一般只有首次使用网购平台时才会接收到平台的“隐私协议”，告知其上诉法律规定的内容，但各个平台的“隐私协议”是不断更新的，用户对其中更改或增加的部分可能并不知情。比如，淘宝的《隐私权政策》变更时，它会在淘宝网专门的页面上发布对隐私权政策所做的任何变更，但用户只有自行点击进入页面才可查看，只有涉及到重大变更时，它才有可能提供弹窗提示。所以当“隐私协议”修改时，平台有必要再次主动推送弹窗，告知用户，征得同意后方可继续对用户个人信息等进行收集及相关操作。

2. 加强自律，在追求利益的同时多一份责任和担当

各大平台应严厉打击虚假交易，加强对商家的监督和管理，坚决抵制恶意扰乱市场秩序的不正当竞争行为。“付费搜索结果是广告，竞价排名服务本质上就是广告服务”。[16]《中华人民共和国广告法》第十四条规定：“广告应当具有可识别性，能够使消费者辨明其为广告。”所以，网购平台应对竞价排名的商品进行明确的“广告”标识，保障消费者的知情权。并且要对广告商品的质量、服务等进行严格把关，维护消费者利益。同时，平台还要严厉打击虚假交易和恶意消耗广告费的行为，为商家营造良好的商业环境，促进公平竞争。淘宝全链条打击刷单行为，让刷单平台不敢刷、不能刷；通过诉讼的方式教育“刷手”群体；严厉处罚刷单商家，清零交易量，甚至永久关店等措施值得各大网购平台学习。

（三）用户层面

提升数据素养，改变被动接受状态，提高隐私保护自觉意识。

所谓数据素养（data literacy），是指人们有效且正当地发现、评估和使用信息和数据的一种意识和能力。通常包含数据意识、数据获取能力、分析和理解数据的能力、运用数据进行决策的能力以及对数据作用的批评和反思精神。[17]彭兰教授认为，今天这个时代的数据素养，除了对数据的辨识与应用能力外，还应意味着批判性应用能力的深化。数据的风险意识、伦理意识，对算法的反思与使用中必要的节制，个人的数据保护意识、隐私意识等或许都是数据素养应涵盖的。[18]

虽然推荐算法一定程度上让我们更被动地获取信息，但是用户可以在使用平台时用一些刻意的行为紊乱算法的分析，在算法面前表现更为复杂的个性。比如有节制地加购、收藏商品；当察觉到算法给我们推荐的商品过于单一、同质化时，主动搜索一些其他风格、类型的商品，做到“雨露均沾”。对于隐私泄露的问题，用户应当提高个人隐私保护自觉意识，比如在使用网购平台注册登录前，仔细阅读平台的“隐私协议”，对其中可能威胁我们隐私、利益的部分仔细权衡，慎重考虑后再决定使用与否。如果发现个人隐私泄露，也应积极维权，拿起法律武器保护自身利益。

算法的广泛运用使得算法伦理问题也越来越引发人们的关注和思考。互联网技术的发展深刻地改变了传统的经济业态，个性化推荐算法在网购平台中的运用迎合了消费者的个性化需求，同时也给网购平台精准化营销带来了帮助，但其在实际的运行过程中带来了许多伦理问题。

随着技术的不断发展，个性化推荐算法在未来也一定会产生新的伦理问题，算法伦理困境已成为当今无法逃避的话题。面对科技的迅速发展，我们需要不断地探索解决方案，采取行之有效的方法规避算法伦理困境，这样才能促进算法更好地发展，使其更好地为人类服务，从而营造和谐的人机关系。网购平台的搜索规则一直在变，算法推荐技术也在不断地更新完善，这其实是平台对自身系统的一个升级，相信在审查体系和法律监管不断完善、行业更加自律、用户更加自觉的环境里，运用了个性化推荐算法的网购平台一定能够健康地发展，算法技术也有无限发展可能。

注释：

①监测范围: 京东、天猫、亚马逊等22个平台, 18 550品类, 51 333品牌, 2 541万件商品。

②指淘宝网(域名为taobao.com)网站及淘宝客户端。

③支持度(support):s(X→Y)=同时购买{X，Y}的人数/总人数，表示同时购买X、Y的概率；置信度(confidence):c(X→Y)=同时购买{X，Y}的人数/购买X的人数，表示购买X的人同时购买Y的概率。

④ 2011年10月，淘宝商城宣布将正式升级商家管理系统，此次升级导致很多中小卖家可能由于商城费用的增加退出商城，部分卖家商品及服务跟不上淘宝商城变革。因此，2011年10月11日，近5万名网友结集YY语音34158频道，有组织性的对部分淘宝商城大卖家实施“拍商品、给差评、拒付款”的恶意操作行为。

⑤指阿里巴巴集团控股有限公司最新上市公司年报披露的淘宝网服务提供者的关联公司。

[1] 中国互联网络信息中心(CNNIC). 第42次《中国互联网络发展状况统计报告》[EB/OL]. （2018-12-19） [2018-08-20].中共中央网络安全和信息化委员会委员会办公室:http://www.cac.gov.cn/2018/08/20/c_1123296882.htm.

[2] 陆卫金. 基于用户网购行为的推荐算法研究[D]. 重庆: 重庆邮电大学, 2017.

[3] 查大元. 个性化推荐系统的研究和实现[J]. 计算机应用与软件, 2011, 28(1): 47-49.

[4] 陈洁敏, 汤庸, 李建国, 等. 个性化推荐算法研究[J]. 华南师范大学学报(自然科学版), 2014, 46(5): 8-15.

[5] 洪亮, 任秋圜, 梁树贤. 国内电子商务网站推荐系统信息服务质量比较研究——以淘宝、京东、亚马逊为例[J]. 图书情报工作, 2016, 60(23): 97-110.

[6] 杨博, 赵鹏飞. 推荐算法综述[J]. 山西大学学报(自然科学版), 2011, 34(3): 337-350.

[7] 张志威. 个性化推荐算法研究综述[J]. 信息与电脑(理论版), 2018(17): 27-29.

[8] 杭州市余杭区人民法院. 男子淘宝刷单24笔被索赔1元, 阿里起诉“刷手”全国第一案胜诉[EB/OL]. （2018-12-19） [2018-07-18].杭州市余杭区人民法院网：http://yuhang.zjcourt.cn/art/2018/7/18/art_1227455_26338260.html.

[9] AARON SMITH. Public attitudes toward computer algorithms[EB/OL].（2018-12-19） [2018-11-16]. Pew Research Center:http://www.pewinternet.org/2018/11/16/ public- attitudes-toward-computer-algorithms/.

[10] 方师师. 算法如何重塑新闻业: 现状、问题与规制[J]. 新闻与写作, 2018(9): 11-19.

[11] 维克托·迈尔-舍恩伯格. 删除: 大数据时代的取舍之道[M]. 袁杰, 译. 杭州: 浙江人民出版社, 2013: 9.

[12] 顾理平, 杨苗. 个人隐私数据“二次使用”中的边界[J]. 新闻与传播研究, 2016, 23(9): 75-86.

[13] 陈昌凤. 让算法回归人类价值观的本质[J]. 新闻与写作, 2018(9): 1.

[14] 胡颖, 顾理平. 我国网络隐私权的立法保护研究[J]. 新闻大学, 2016(2): 115-121.

[15] XUMENG WANG, WEI CHEN, JIA-KAI CHOU, et al. Graph protector: A visual interface for employing and assessing multiple privacy preserving graph algorithms[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 25(1): 193-203.

[16] 寿步. 搜索引擎竞价排名商业模式的规制[J]. 暨南学报(哲学社会科学版), 2014, 36(2): 67-73.

[17] 金兼斌. 财经记者与数据素养[J]. 新闻与写作, 2013(10): 5-9.

[18] 彭兰. 假象、算法囚徒与权利让渡: 数据与算法时代的新风险[J]. 西北师大学报(社会科学版), 2018, 55(5): 20-29.

Ethical Dilemmas and Regulations of Personalized Recommendation Algorithm Used in Online Shopping Platform: Takefor an Example

HE Shunmin, CAO Wenquan

（School of Communication, Huaiyin Normal University, Huai’an,Jiangsu 223300, China）

The application of personalized recommendation algorithm in online shopping platform solves the contradictions between the large amount of commodity information and the personalized needs of users to some extent. However, it also brings some ethical problems while it helps achieve the accurate marketing in the process of application, such as the homogenization of the content, the privacy disclosure and “Round Prison”, etc. Facing these problems, it is necessary to reconstruct the ethics of personalized recommendation algorithms for online shopping platforms from the government and industry levels.

algorithm; ethic; online shopping platform; personalized recommendation

2018-07-22

江苏省高校哲学社会科学基金项目（2018SJA1599）

何顺民（1979-），男，湖南长沙人，副教授，博士，主要从事数字文化、新媒介与城市传播研究；曹文泉（1998-），女，江苏盐城人，主要从事城市传播研究

C931.2

A

10.3969/j. issn. 2096-059X.2019.03.001

2096-059X(2019)03–0001–06

（责任编校：彭萍）