算法推荐驱动下的新闻生产变革

2019-03-21王欣颖王欣怡

传播与版权 2019年5期

关键词：受众内容算法

王欣颖，王欣怡

（1.武汉理工大学，湖北武汉 430070；2.荆楚理工学院，湖北荆门 448000）

一、算法推荐原理解析

（一）场域下的算法推荐技术

社交媒体时代，UGC生产模式受到众多媒体平台的采用与鼓励，网民参与内容生产的热情在平台的激励下不断高涨，传统的信息受众变身为内容生产者参与到信息生产过程中。

另外，传媒产业生产效率不断提升，记者、编辑与用户生产共同造就了如今的信息环境——信息量呈现爆炸式的增长态势。加之通信基础设施的飞速发展，个人通信设备不断迭代更新，受众比以往可以通过更方便、更廉价的接受工具接触媒介信息，随之而来的是受众被无数的信息包围，在良莠不齐的信息面前应接不暇，个体信息选择的难度增大。

基于受众面临的信息过载问题，一种帮助用户过滤掉无用或者不感兴趣的信息就显得尤为重要，这道难题摆在了传媒面前。当然，如何将用户更感兴趣的信息送达到用户面前并且帮助用户从纷繁复杂的信息中摆脱出来，以获得用户的平台黏性仍然包含着传媒集团的利益考量。传媒集团为了获得商业利益，需要获得越多越好的用户，这样才能将信息内容成功变现。

计算机技术的迅猛发展为传媒产业注入了一股新的力量，算法推荐作为效率非常高的过滤筛选工具为传媒平台插上了腾飞的翅膀而获得了众多媒体平台的青睐。传媒集团将算法推荐引入到信息生产过程中，无疑迎合了技术发展的大趋势。在算法推荐的驱动下，传媒的生产效率得到了显著提高，也为平台聚集了越来越多的受众，但是，我们也要看到算法推荐给媒体信息生产各个方面带来的显著变化。

（二）算法推荐的简要内涵

算法推荐是计算机专业术语，它是指通过一些算法程序，向用户推送他们可能感兴趣的内容。算法推荐的进化得益于多个计算机科学领域的成果，包括机器学习、信息检索、数据挖掘和人机交互等技术的不断完善和应用。将算法推荐与新闻结合起来的产物就是我们所说的算法推荐新闻。

1. 基于内容的推荐。运用于新闻的算法推荐主要有两种：一种是基于内容的推荐；另一种是基于协同过滤的推荐。基于内容的算法推荐的工作机制是，从用户过去已经评价过的内容对象中获得个人的信息特征，在长期的数据积累过程中逐渐形成用户画像。对系统中的所有内容提取内容对象特征，然后将个人的信息特征与内容信息特征进行匹配，为用户推送较为匹配的内容对象。

2. 协同过滤算法。协同过滤算法是一种利用群体智慧的推荐方式，它可以进一步划分为基于用户的协同过滤算法和基于物品的协同过滤算法。基于用户的协同过滤算法的原理是“人以群分”，通过聚类分析若干用户的行为数据，将行为类似的用户编入一个隐形阅读小组，对目标用户推荐该小组中其他用户感兴趣但未被目标用户阅读过的新闻。基于物品的协同过滤算法的原理是“物以类聚”，如果某两则新闻总是被同一个用户阅读，则默认二者之间有更强的相关性，因而会给阅读过其中一则的用户推荐另外一则。基于协同过滤的推荐系统的工作机制是，向用户推荐相似用户评价较好的内容。

3. 基于时序流行度的推荐算法。这种算法能够有效解决以内容为基础的算法推荐导致的信息茧房问题，也能够减少算法黑箱操作的隐忧。这种技术具有对最新文本的快速响应能力，将特定时间窗口内流行度较高的新闻推荐给用户，保证了信息特别是新闻的时效性和新鲜性。

二、算法推荐下新闻生产新局面

新闻生产是指新近变动的事实经过加工形成新闻作品的过程，包括采集、制作、分发等各个方面。从微观视角来观察，算法推荐以其精准筛选、高效率送达等优势融入新闻生产过程中，对上面所说的各个环节都产生了深远的影响。同时，从宏观视角来看，算法推荐逐渐改变了整个传媒行业的生态环境，社交媒体平台在信息传播方面的成功无疑具有算法推荐系统的强大助力，促使新闻传媒集团接受这种先进的新闻生产方式，整个传媒业生态环境有了较大的改变。

（一）以受众为中心，开放化新闻生产模式

传统的新闻生产模式是一种较为封闭的传播模式，新闻生产更强调生产过程，在一定程度上忽视了用户的反馈，算法推荐新闻弥补了这一不足。算法推荐在生产过程中以用户的评价作为筛选的标准，在基于内容为推荐系统中，系统以用户过去的观看评价为考量来推荐新的内容。在基于协同过滤的推荐中，系统以近邻的评价为筛选的标准个性化的推荐内容。可以说，算法推荐使新闻生产模式变得更加开放。

（二）算法推荐重用户反馈，弱内容把关

算法推荐系统将数据、算法、人机交互有机结合，建立用户和资源的个性化关联机制，通过对文本内容的处理，赋予每个文本内容不同的标签。当前，我国信息消费者的媒介素养普遍不高，许多有噱头的标题文章或低俗内容更容易获得用户的青睐，这些毫无营养甚至有害的信息内容往往拥有较大的阅读量，算法推荐系统在这种高阅读量的反馈之下更容易推送低俗的内容给用户，对众多用户特别是青少年人群容易产生负面影响。

（三）算法推荐加快传统主流媒体的革新

社交媒体率先引进算法推荐，凭借社交强大聚力和算法个性化分发的优势，迅速抢占市场，在用户规模和广告份额上获得巨大的成功。在这种市场形势下，传统主流媒体的社会影响力被头部社交平台掩盖。传统主流媒体即使有政府财政支持，市场化运营的惨淡局面使其面临着日益严重的生存危机。另外，用户内容生产被激活，草根大众的智慧在平台媒体上得到了展现的机会，进一步让传统媒体的内容生产承受巨大压力。在算法推荐的趋势下，不少传统主流媒体开始迎合受众的信息需求和媒介使用习惯，与平台媒体合作，借助平台媒体庞大的用户规模和先进的算法推荐技术，创新新闻生产方式，试图拉近与当下年轻受众的距离，从而重新获得受众的认可与支持。

三、算法推荐下新闻生产的隐患

（一）媒介信息缺乏深度，高质量的长尾内容被冷落

算法推荐会根据上下文（即受众所处的时间、场合等相关信息）智能推荐新闻信息。在这个碎片化的生活场景下，大多数人没有也不愿意花太多的时间阅读新闻，算法推荐迎合了受众在琐碎时间观看新闻的需求，这种阅读场景下的新闻一般是对新闻事件的简要报道，不适合深度报道等相关新闻体裁。

另外，算法推荐在新闻生产过程中，对新闻文本的提取是通过关键字以及权重值得计算来进行的，由于众多用户的信息素养不高，更易于被低俗无营养的信息吸引，对于优质内容的回避态度在算法推荐面前被放大，算法推荐强感官刺激的内容。深刻的内容被算法舍弃，取而代之的是各种无营养价值的信息大行其道，长期占据着受众的时间和精力，真正高质量值得花时间花精力学习和阅读的信息逐渐成为长尾内容，造成社会资源浪费。

（二）内容生产者随波逐流，优质内容生产者的积极性被消解

当前，在以市场机制为主导的商业环境下，内容生产机制以PGC与UGC相辅相成。内容生产的门槛降低，众多内容生产者并非科班出身，自然没有专业新闻工作者的职业底线，什么内容更容易被推荐他们就写什么内容，高推荐与高阅读量成正比，而高阅读量意味着高商业收益。算法推荐作为一种技术工具没法对内容进行更为严格的把关，从而更加轻易地助长了信息垃圾的生产。社交媒体主要依赖个性化算法向用户分发新闻，其本身就暗藏着许多低俗的信息需求，为推销色情、淫秽和暴力新闻打开缺口。

（三）受众信息需要动态变动，算法难以实现精确匹配

算法分发新闻的逻辑存在两个问题：一是让算法的样本变得“正确”非常困难。用户的欲望不断变化，新闻偏好可能经常改变。二是即使完成一次成功的新闻推送，也是基于特定的算法规则，这些规则包含主观判断，这些判断不是静态的，在原则上都是不完美的。算法推荐是通过设计好的算法程序完成一步步操作，本身就存在灵活性差的缺陷，难以不断满足用户不断变化的需求。

对于新闻文本这种提取难度较大的信息，算法推进可能会存在误判。另外，新闻算法推荐可能满足受众暂时的需要，但长时间的需求难以通过过去少量的评价被捕捉到，因此这种长时间的深层次的需求难以被算法推荐满足。

（四）算法不透明，受众对算法推荐产生不信任感

算法推荐有一系列复杂的步骤，受众得到的推荐是一系列程序的结果，受众只知道自己看到的内容是被有选择性地推荐了，但并不知道是如何被推荐的。算法推荐由于黑箱操作，作为一种复杂未知的并且能制约受众认知的事物，难以获取受众的信任。对算法推荐的低可信度会直接影响受众对信息内容的接受程度。算法一旦经常失算，用户的信息满足感就会遭到践踏，资讯平台的公信力就会丧失殆尽。

同时，目前平台媒体较多地采用专业生产+用户生产模式，这种模式生产的内容很大部分不是出自专业人员之手。另一个影响可信度的就是专业性，用户生产这一模式本身就有着低可信度的风险。

（五）把关权利的位移，公共利益受到挑战

算法推荐“不仅仅包括算法本身，还包括使之运转起来的一整套规则制度，而这些规则制度由于人工的参与，使得算法机制呈现出一种技术与人工的‘混合逻辑’”。算法以受众的喜好为标准进行内容的个性分发，其背后的价值逻辑是商业利益。为了迎合媒介素养不高的受众的趣味，算法倾向于推荐娱乐、恶俗的内容给受众，许多真正反映民生的值得被大众媒体传播的内容没有面向大众的机会，社会公共利益受到了挑战。

（六）主流媒体边缘化，影响主流媒体发挥功能

主流媒体作为党和人民的喉舌，具有社会舆情监测、舆论引导等功能，作为社会的瞭望者肩负着重大的责任。随着社交平台的发展、媒体平台的繁荣，受众长期接触社交媒体平台，主流媒体的权威正在一点点丧失，主流媒体的声音被减弱甚至被掩盖，失去了曾经舆论引导的强大力量。特别是在某些重大的社会问题发生之际，主流媒体的失声可能会产生重大的不良后果。