推荐算法平台“兴趣领袖”:内涵、功能与模式〔*〕

徐 翔

(同济大学 艺术与传媒学院, 上海 201804)

一、引 言

习近平总书记强调,探索将人工智能运用在新闻采集、生产、分发、接收、反馈中,用主流价值导向驾驭“算法”。〔1〕让个性化定制、智能化推送服务于思想文化建设与网络信息文化的引导,成为算法分发时代的题中之义与现实诉求。平台中的推荐算法根据用户的既有兴趣来“投其所好”地分发和推送内容,用户在某种意义上似乎拥有“兴趣自由”或“兴趣自主”,看似可以遵从自己的兴趣而不是别人的兴趣。但也有相反的论调,认为用户的兴趣被算法技术、算法平台、算法资本所操控,甚至关系到算法对于用户价值观的控制。但是上述研究视角共同忽视的一个维度是:用户的兴趣如何受到推荐算法系统中其他用户的影响,并进而作用于平台中的用户兴趣演化。

换言之,推荐算法平台中的用户兴趣似乎受到算法迎合、物化计算以及算法背后掌控者的权力、资本制约,但其中能影响其他用户兴趣走向的关键用户则容易被忽视,这些关键用户甚至给整个平台的兴趣走向、内容“气质”带来重大影响。借鉴在传播学、社会学、管理学等多学科领域的“意见领袖”〔2〕或“关键意见领袖”(KOL)等概念,可将推荐算法平台中能有效扩散自身兴趣、同化和引领其他用户兴趣的关键用户,简称为算法平台“兴趣领袖”。

用户在算法推送内容的平台中,虽然算法根据其个体自有兴趣推送内容并影响该用户的兴趣延续、演化或走向,但是用户并没有真正自主性的“兴趣自由”;算法平台中某些其他中介性的用户的兴趣经由算法系统而影响到对于该用户的“投其所好”的推送,并逐步改变作为推送“受动者”用户的兴趣,从而实现其与兴趣“影响者”“施动者”角色的互动;算法也并无充分意义上的“兴趣自由”,并无被权力、机构、资本所凭空操纵兴趣的自由,其算法所偏向的兴趣受到一些关键用户的兴趣影响并向平台中的其他用户辐射。在这个过程中存在着可称之为“兴趣领袖”的特殊角色,他们经由算法的特殊机制和系统运行,通过扩散自身“兴趣基因”而影响着平台中其他用户的“兴趣型”,对其他用户在兴趣上成为怎样的人实现“用户设置”。兴趣领袖关系到用户是否可以自主地成为“初心”中的自我或是被算法平台“设置”成为怎样的人。围绕研究核心的问题包括:推荐算法平台中“兴趣领袖”具有怎样的理论内涵,推荐算法根据用户兴趣进行“投其所好”的推送时为何需重视“兴趣领袖”的角色功能,“兴趣领袖”对平台其他用户产生兴趣扩散、兴趣同化具有何种角色模式。

二、推荐算法平台“兴趣领袖”的理论内涵

(一)推荐算法平台“兴趣领袖”的关键内涵

1.从内容传播到兴趣传播。平台中不只是发生对用户兴趣的计算或迎合,不只是发生着意见或态度的传播,也发生着用户之间的兴趣扩散与传播。网络社区、趣缘群体中存在着用户间的兴趣聚合、兴趣共享现象,〔3〕网络分享机制促进着文化消费趣味的横向扩散;〔4〕消费者的趣味在数字平台和应用程序的技术社交环境中形成、实践和共享。〔5〕用户在社交网络中以“品味陈述”〔6〕“品味制作”〔7〕及“身份表现和提升社会地位”〔8〕等为动因,形成兴趣和品味传播。视频分享平台的社交媒体影响者和视频博主对用户的影响甚至扩及线下模仿,以及用户生活方式和消费行为层面。〔9〕总体上看,现有的这些分析一是多侧重于用户兴趣的表达、分享和社群聚合,而非用户之间如何形成兴趣传播的具体机制;二是多集中在网络社群、社交网络而较少涉及算法环境下的兴趣传播。但与此同时,网络平台用户的兴趣传播表明了基于博主、影响者对于其他用户产生兴趣扩散、品味塑造的可能性。

2.从意见影响力到兴趣影响力。用户的影响力不仅有局部意见的传递,还有整体喜好、兴趣“模因”的传递;需要传递和能传递的不只是意见,也有整体性的品味、趣味和兴趣,他们是一个人的内容状态的综合反映。这要经历从意见影响力、舆论影响力到兴趣影响力的功能与角色转变,影响力的模式则从用户间直接影响力转为“用户→算法→用户”的中介化之后的影响力;也需要经历从意见领袖、舆论领袖到兴趣领袖的理论拓展与模式转变。以社交媒体为例,“社交媒体影响者”(SMIs)〔10〕作为不同于意见领袖的另一种影响者角色,对粉丝或其他用户造成兴趣、爱好、消费、流行文化等方面的影响。〔11〕对社交媒体影响者的价值模型研究显示,其内容的信息价值,影响者的可信度、吸引力和与追随者的相似度都积极影响追随者的品牌信任、品牌意识。〔12〕新型舆论领袖“公民影响力者”(citizen influencers)以其专业知识、可信度、亲和力、相似性和熟悉度等特征吸引和说服其追随者。〔13〕在社会化标注系统的网络平台中存在具有一定活跃度、影响力、支持力的核心用户群体,他们具有创造兴趣与引领兴趣趋势的属性。〔14〕社交网络“意见典范”〔15〕会形成向其他用户的强有力的内容模因扩散,产生使得其他用户和自己发生内容特征趋同的“用户设置”效果。〔16〕在此现实背景与品味、趣味和兴趣的影响力角色下,需要强调两点,一是从意见领袖到兴趣领袖、从舆论影响力到兴趣影响力的理论自觉,二是对在推荐算法特殊性环境下用户兴趣影响力、“兴趣影响者”的实践关注。

3.从网络平台兴趣传播到推荐算法平台兴趣传播。网络平台中的兴趣扩散和传播存在着关键性的用户。例如王娟等人以大众点评网为研究对象,根据用户的相似兴趣关系将其划分为五个兴趣社区,发现每个兴趣社区中有少数用户在信息传播过程中起着重要的作用。〔17〕在网络巴尔干化、碎片化的背景下,网络中某些类型的用户仍然成为用户相似、趋同的中心。〔18〕结合算法环境,算法推送型的平台中存在着作为关键用户的博主,使得小红书等平台内容相似,导致审美内容的同质化。〔19〕在此方面需要注意到,算法传播的特点和社交媒体具有很大的差异,不能把旧媒体的“意见领袖”作用与模式,简单类推地用以理解新的算法媒体中的“兴趣领袖”。

(二)推荐算法平台“兴趣领袖”的作用特征

其一,中介性而非直接性。对于算法平台中的兴趣领袖的研究,需要从强调人际关系、互动关系的传统框架转到算法关系中。算法兴趣领袖不是一般的网络兴趣领袖,他们通过与算法的关系来影响算法向个体施加“兴趣影响”的方式和走向,从而使得用户表面上被推送的是迎合自己的兴趣,实际上被推送的是被算法平台传导的带有特定倾向性、方向性的关键用户的兴趣。以往有关推荐算法霸权的观点,往往只注重强调算法霸权,却忽视了算法霸权中的“中介”;似乎算法霸权可以随意灌注算法资本或算法实施者的意志,但忽略了这种意志必须坚持“投其所好”,也即推送“受众认为他所喜欢的东西”。对处于算法终端的用户受众而言,不只是算法推送会影响人的兴趣或者让人陷入某种自我兴趣不断重复的“兔子洞”,而且有其他用户扮演着兴趣的传递者或中介因素角色,影响着受众的兴趣状态。对于这种“他者”角色与功能的强调有其充分的必要性。

其二,引领性而非跟随性。上述起作用的他者和中介性用户,虽然也会接收到其他中介性用户的传导作用,但就这个概念内涵而言,并不是侧重于兴趣的跟随者和受动方,而是强调兴趣的引领者和施动方。他们是“兴趣领袖”者而不是“兴趣被领袖”者。就此方面,他们类似于大众传媒通往受众的“意见领袖”,具有引领性的而不是被动性的功能。

其三,整体性而非局部性。兴趣领袖强调的是对人喜欢什么、不喜欢什么的整体“兴趣状态”或“兴趣向量”的影响,而不是对某条意见或对某公共事件的某个态度的影响。也即它强调的是对于用户整体的喜欢哪些元素不喜欢哪些元素的综合影响,某种程度上反映着个体的“兴趣光谱”及其扩散。意见、态度关系到直接的和局部的内容,而兴趣则是一种“元意见”和“元注意力”。借用议程设置理论的表述,兴趣领袖的作用不只是设置什么样的兴趣容易得到关注,也是把用户设置成为什么样的“人”,进而实现从议程设置到“用户设置”的延展。

三、推荐算法平台“兴趣领袖”的角色功能

在理论和实践中,对于推荐算法平台中的“兴趣领袖”角色及其作用重视不足。以下方面的角色与功能需要进一步重视与探讨。

1.算法中不仅体现着平台对于受众兴趣的权力,也体现着其中具有兴趣影响力的用户的作用。对于算法平台中的用户兴趣生成,现有较常见的研究关注的是算法在平台、资本、技术、权力等维度如何影响用户的兴趣产生、演化发展。从平台维度看,强调大型平台公司对于文化商品生产制作的主导、〔20〕亚马逊或Netflix等网站推荐系统对我们审美带来的影响、〔21〕用户音乐品味的建构权逐步向平台算法迁移并影响其听歌行为。〔22〕从资本逻辑维度看,强调“算法元资本”〔23〕和平台的资本主义原则对文化实践的作用,〔24〕或是平台经济和资本逻辑对用户文化品味(taste)的塑造。〔25〕从社会权力维度看,分析算法的“数据殖民”、〔26〕算法偏见对于审美观的社会建构〔27〕等,强调算法将品味“数据化”以及“自动化”的“品味工程”。〔28〕对此需要注意的是,尽管推荐算法计算受众的兴趣并以之进行喜好的预测与内容的推送(此中似乎是算法及其背后的权力或资本在主导着这种推送),但是仍要强调被忽略的“人”的角色和功能。

2.算法不仅生成对受众的兴趣制造,也生成算法系统下的用户间兴趣关系。较多研究从算法技术蕴含的认知方式、算法霸权考察算法对于用户品味、趣味和兴趣的塑造;〔29〕提出算法“品味逻辑”及其“解释性图式”作用,以分析平台中管理文化品味(cultural taste)的过程和机制。〔30〕但是在另一方面,用户也介入到与算法的“共谋”“驯化”以及交互关系中。其中,需要重视将专有算法和人类策展人相结合的音乐流媒体平台中的“新看门人”,该角色以前由无线电程序员、记者和其他专家等人类中介扮演。〔31〕算法对于用户的作用似乎是直接的,似乎谁掌握了算法也就掌握了对于受众的某种权力,但是推荐算法往往被视作一种“推送机器”对受众的计算和“算计”,而算法、用户、受众构成的复合体得到的重视却不足,其中的关键在于推荐系统需要被视作以算法为中介的人和人之间的兴趣关系,作为人—智协同背景下的“社会兴趣再生产方式”。算法兴趣关系中“中介者”的角色和功能亟待被定义并将其明晰化,对此需要明确提出“兴趣领袖”理论角色与模式。

3.用户不仅接受推送算法的“算计”,也反过来影响算法的推送及算法和用户之间的算法循环。有研究探讨了Netflix上用户和推荐算法的相互驯化,包括用户与平台之间建立个性化关系的方式、如何将算法推荐整合到文化代码矩阵中,等等。〔32〕无论内容生产者的粉丝数量多或少,只要其生产的内容质量高,都可以利用人工智能驱动的社交媒体的算法优势,被其他用户发现和欣赏。〔33〕算法环境中,用户通过音乐策展、分享等方式,使用和影响Spotify的播放列表。〔34〕算法作为人机协同系统,可以增强用户与系统的协同以及利用它的可能。算法“技术理性”下用户的数据痕迹反过来作用于算法系统,给算法系统的精确计算带来非精确性、非均衡性和偏差性,也使部分用户的兴趣产生偏倚性的复制或传递。

4.算法推送平台中兴趣关系的中介角色具有二级传播(two-step flow)的作用和功能,可通过对算法系统的反作用而向其他用户更强地扩散自身的兴趣偏好、兴趣模式。推荐算法不对受众起直接作用或是产生“算法霸权”的直接效果,这为中介性的其他用户发挥作用提供了空间。算法想象(algorithmic imaginary)、〔35〕算法信任〔36〕关系到用户在算法中的接受导向;而与之相反,“算法厌恶(Algorithm aversion)”〔37〕或对于算法的“抵抗战术”〔38〕以及“算法抵抗(Algorithmic resistance)”〔39〕则会阻碍算法系统中兴趣的接受和扩散。在大众传媒时代和算法传播时代,存在着经由意见领袖的二级传播及其中间性的作用者,算法中介(algorithmic mediation)的流动性本质上是关于社会和政治公共议程的决策过程,使其相对容易受到操纵。〔40〕算法对受众的作用嵌入在人对技术的使用及“想象”方式中,其中一些用户影响着算法对其他受众起作用的方式、性质、程度,从而产生从算法到受众的“二级传播”甚或“多级传播”。

5.推荐算法不仅具有计算理性,也具有“计算理性的非理性”。推荐算法营建着一种新的具有“计算非理性”的技术环境,在获取数据的基础上利用大数据分析能够获悉个体的一系列敏感属性,并有目的地干预,使其朝向预期的方向改变。其中,算法推荐系统存在数据稀疏性、数据集不均衡性等数据运行问题,使得算法并非精确预测与迎合个体的兴趣,进而带来社会性后果。算法的个性化推荐成为伪个性化推荐,从而使得对于个体兴趣的迎合变成对于某种“兴趣类属”的迎合,进而发生某些用户兴趣在算法平台中的兴趣放大乃至替换其他用户的兴趣。借鉴雷蒙·威廉斯曾说过的,“事实上没有所谓的群众,有的只是把人视为群众的观察方式”。〔41〕在算法的计算中,“事实上没有个体,只有将人视为个体的方式”。〔42〕算法身份根据用户个体属性与喜好需求的算法分析抽象出共性化的个性,然后寻求类似特点和类似的人,这使得个性化推荐变得反个性化。算法推荐系统存在数据稀疏性、数据集不均衡性等数据问题,并带来算法不平等、算法放大、算法的“人气偏好”“流行偏好”等现象。

6.兴趣传播研究中不仅需要重视网络“趣缘”群体或网络兴趣社区中的高影响力用户,也需要重视引领平台“全局”用户的关键角色及其作用。而目前,对于影响甚至引领平台全局用户的角色及其机制的分析还不够,对于算法平台和算法环境下的兴趣引领者关注也不足,这就要求我们不仅要重视“趣缘兴趣领袖”或“社区高影响力者”,还需要提出并分析能引领算法平台“风气”“气质”的“全局兴趣领袖”和算法兴趣领袖,对于后者是谁以及他们如何起作用的分析检验目前仍不充分。

四、算法推送平台“兴趣领袖”的作用与特征

在较为主流的推荐算法与算法文化、算法传播研究中,以下方面的问题值得关注。就“算法→用户”关系而言,算法遵循对于用户“投其所好”的基本原则,但由此产生的“投其所好”就主要源自被推送者自身兴趣的影响吗?追求推荐的准确率就能确保被推送者的喜好仍然是其自己的喜好吗?答案是否定的。其中,被计算的不只是被推送者自身的兴趣,也包括其他关键用户、中间用户的兴趣,它们共同影响对该“受动”用户推送的内容。算法技术计算出来的“他/她所喜欢的东西”并不一定是“他/她喜欢的东西”,其间存在着一定的算法偏差,其中可能的扰动因素之一便是本文所述的“兴趣领袖”。就平台而言,无论是平台操控的算法技术,抑或平台背后的资本、机构乃至权力,看起来都具有对算法推送的控制权或话语霸权,能够施加一种“技术权力”。但是用户如何反抗、反作用于这种控制系统,涉及既有系统中亟待深挖之处。正是在这些潜藏的疑问中,留下推测和解析“兴趣领袖”作用的理论和实践空间。

其一,算法从投其所好到伪投其所好。目前存在一种较多拥趸的观点,认为算法计算迎合人的兴趣,使得个体陷入自身兴趣所驱动的信息茧房和“兔子洞”之中;算法是对于受众兴趣的投其所好,迎合受众的兴趣,以追求“召回率”和“准确率”,进而实现算法的商业价值;受众的兴趣状态似乎具有自主性,即使受到其他人的影响也并不严重。但是本研究需要强调,在推送过程中存在着种种“失真”机制,例如“人气偏好”“主流偏好”“相似性漏洞”等,这些失真机制看似具有偶然性、不起眼性,实则隐藏着大的理论裂缝,或者说“所有的偶然都体现着深层次的必然”,潜藏着深层次的逻辑问题。推荐算法在“投其所好”的过程中,能牵引平台、影响平台“投其所好”而实际并非真正完全意义上的投其所好,渗透着来自外部的牵引因素,其中亦发生着平台中的“品味自动化”与用户兴趣失真。“品味自动化”指的是技术媒体在品味的社会定义中的新角色,一些研究将音乐推荐系统视为一种自动化的认知环境;智能手机及其应用和算法促进了品味的自动化,导致人类携带了一些机器人的痕迹;部分代表性人群的品味成为一种组织和规范当代生活的知识原则。〔43〕算法技术带来算法系统的整体扭曲,用户之间的兴趣传递关系和算法共同构成了以算法为中介的社会关系,这种关系在根本上决定着算法的计算无法独立且精确地“投其所好”,而是在其推送中藏着某种体现平台—技术—社会关系的特色性烙印,这个烙印至少一部分由受众和其他受众的兴趣关系、文化关系、社会关系所导致。这个过程中,用户有没有自己的“自由”的兴趣?诚如马克思所说,“人们自己创造自己的历史,但是他们并不是随心所欲地创造,并不是在他们自己选定的条件下创造,而是在直接碰到的、既定的、从过去承继下来的条件下创造。”〔44〕用户自己形成和发展自己的兴趣亦并非自主和随心所欲的。

其二,用户从个性化兴趣到非个性化兴趣。算法针对个体喜好计算得出的推荐并非个性化的推荐及其兴趣生成演化,相反,千差万别的用户个体却在算法的推荐中走向了兴趣的同质化和共性化。一些实证研究已经指出事实,也即个性化的算法推荐并没有分裂在线人群,相反却在创造个体与他人的共性。其原因主要有二:数量和产品组合效应。数量效应是指消费者在个性化推荐后简单地消费更多,增加了拥有更多共同物品的机会;产品组合效应是指在数量有限的情况下,消费者会在推荐后购买更相似的产品组合,个性化推荐并未导致用户走向碎片化,反而创造了用户与他人的共性。〔45〕Aridor等通过建构数字模拟推荐系统环境下的用户决策模型,发现算法推荐会协调不同用户的消费选择,从而导致了用户间内容消费同质化的增加。〔46〕对此有学者指出,平台数据衍生的个性化系统实质上是对同质性的一种掩盖。〔47〕在推荐算法的计算中,个性化的兴趣被多数人的共性所替换,推荐算法把个体转为剥离个性的类属化的人。例如在协同过滤算法中,用户的特征以和他相似的个体作为表征并进行推荐,使得用户无法具有个体身份,而是通过与自己最为相似的人群类属进行表征,这样才能使得算法“看到”个体。算法身份把用户根据其数据、社会背景、需求的算法分析转换为“可测量的类型”,或者是公司将用户区分为不同的类别,这些类别是不透明的量化集群和黑箱。〔48〕

其三,影响者从中介权力到中介用户。较多的研究认为算法不直接对受众起作用,而是通过潜藏在其背后的控制力量起作用。对于这种背后力量,现有研究多数从资本、平台、企业等权力机制进行分析,较多分析将算法视作一种可“有意”操控的工具,在此意义上也就强调了算法背后的中介性权力,这种权力多数由组织型的主体予以实施(例如公司、内容提供商、利益集团或文化实体)。例如Morris将布迪厄的文化中介概念扩展到包括算法等技术中去,通过对The Echo Nest(一个音乐信息中介机构,其数据库支撑着许多数字音乐服务)的批判性分析,认为公司层越来越多地负责塑造受众如何接触和体验文化内容。〔49〕Bodo提出个性化一直是一种以服务于组织目标的方式操纵需求的技术。〔50〕Sandvig将之称为“腐败的个性化”,这是一种围绕用户偏好建立的个性化方案,并呈现为似乎符合他们的最大利益,但却是服务于提供商的目标。〔51〕此中似乎真正的担忧不在于算法本身,而在于它们的计算抽象层被公司和商业利益集团选择或劫持的方式,且这些抽象层现在覆盖了大部分文化现实。这些论调屡见不鲜,〔52〕但是其他用户对于平台推荐算法的中介作用却被忽视了。或者说,笔者认为用户不是单纯受到推荐算法计算的影响,这种计算也包含着其他用户的兴趣与算法的关系。这些中介性的“其他用户”,不是隶属于某些平台的组织、机构,而是人、个体,这些个体也会影响算法推送对象的兴趣偏向。如果把每个用户的兴趣表示为n维兴趣的向量V1,把算法给某个用户推送的内容表示为n维兴趣的向量V2,那么就会有一些用户影响和牵引着V2,在看似趋同于V1的过程中却与其产生了差异,而且这种差异不是随机的,是具有特定倾向性和形成机制的。有或没有这些其他用户,或这些其他用户有怎样的特征与差异,对于原用户的推荐结果都会带来深刻影响。

其四,作用方式从单向线条到双向循环。较多算法文化研究持的主要立场之一便是算法批判论,其内蕴的前提是“算法→用户”的操控性话语霸权,或是受众对于这种霸权进行抵抗的可能性,例如较多学者分析“数据资本主义”“算法殖民”对于用户品味、趣味和兴趣的塑造。在“算法→用户”的基本模式中,尽管其作用效果、程度可能有强有弱,也有相当多的研究注意到其会受到受众的算法素养、算法认知等的制约,但是研究重点仍然是立足于“算法→用户”的单向性。推荐算法被简化视为一种计算工具、一种数据理性,而不是一种准社会关系与信息关系。对此在本体论的层面需要充分明确,用户不只是对算法具有抵抗或有限信任的可能,而是其态度、行为、兴趣也会反向作用于推荐算法的计算过程和系统性的计算偏差,并且又循环返回到以算法为中介的用户兴趣关系和兴趣演化之中。也即受众反作用于算法,然后再由算法反馈于受众的内循环方式受到的重视不足。后者关系到把算法作为一种嵌入于用户和人的“推送关系”,而不是一种单纯地嵌入于召回率、准确度的“推送机器”。算法与用户的联系看似直接,其实存在着中介或是其作用的力场,这种中介性不是简单地把“算法→用户”转化为“算法→中介→用户”关系,而是带有反向、双向循环的作用模式,也即“算法←→中介←→用户”关系。因此,寻求这种中介模式和中介方式也就成为研究算法“兴趣领袖”的要义之一。尤其是这些中介性的“人”及其兴趣关系会影响到算法的推送进而影响到受众的兴趣,使得算法表面上在迎合受众的兴趣而实际上已经悄然被置换为某种力量控制和牵引下的产物。

对于算法如何作用于用户、如何根据用户兴趣进行推荐、如何影响和操控用户兴趣,较为原始的分析框架图经初步梳理如图1所示,这些是学界较为主流的研究视点和推进领域。结合本节所分析的内容,对这个框架图中涉及的待深挖的疑点、不足作一些解析,以及由此产生的进一步改进可见图2。

图1 推荐算法作用于用户兴趣的主要理论框架(未纳入兴趣领袖的视角)

图2 推荐算法作用于用户兴趣的主要理论框架(纳入兴趣领袖的视角)

究其根本,推荐算法不只是一种计算技术和量化技术,而是以算法为中介的社会关系,或者说是以算法为中介的用户之间形成和传导兴趣的社会关系。谁在这个关系中拥有主导权、如何具有主导权、如何通过这个平台影响其他用户,也就是新的待探索的问题。

五、推荐算法平台“兴趣领袖”的角色模式

推荐算法如何从物体系衍化出“人”的用户传播体系以及受众的关键作用,其关键机理以及应然性、必然性有待系统分析。基于算法体系的基本作用逻辑,推荐算法平台存在着“兴趣领袖”角色的以下模式。

(一)算法可见性与兴趣领袖

算法生成着用户在推荐系统计算和推送中的“可见性”,一部分具有高度的“算法可见性”的用户更有可能经由算法系统而扩散自身的兴趣。一些研究虽然涉及可见性维度,但是并未把它与兴趣领袖明确地予以关联。Cotter以Instagram为例,指出有影响力的内容生产者通过算法编码的“规则”来玩“可见性游戏”。〔53〕在YouTube中,视频博主在算法中具有不同的可见度等级,算法偏爱中产阶级、符合广告主要求的行动者,非常成功的视频博主也会受惠于YouTube的算法可见性。〔54〕如何成为算法的核心用户,提升可见度无疑是主要因素之一,其对于算法的计算将产生不可忽视的影响。在算法中可见性高的用户,作为受欢迎的类型使得其他用户的内容生产追随着他们。这导致Mikal等指出的,随着用户逐渐了解网络平台的文化和参与规则,他们会开始预测普遍受欢迎的响应类型并修改自己的内容发布。〔55〕内容生产者所经历的商业循环受到了算法的负面影响,导致平台运行趋向一种同质化。〔56〕一部分具有高可见度的用户,甚至可能影响整个平台的兴趣推荐偏好,主导平台的兴趣“风气”与走向。

(二)算法不平等与兴趣领袖

算法推送平台中被推荐的兴趣存在着“算法不平等”和“算法放大”现象,优势用户易于形成与提高其在算法平台中的兴趣地位。推荐系统通常会放大数据中的偏差,从不平衡项目分布中学习的模型会通过过度推荐来自多数群体的项目来放大不平衡。〔57〕据Huszar等的研究,在Twitter主页时间线上的内容个性化算法中,其所研究的七个国家中有六个国家的主流政治左派享有更高的算法放大。〔58〕算法设计本身存在的推荐有限多样性会引发数据退化,放大不同兴趣人群之间的算法不平等。音乐领域的实验表明,算法随着时间的推移都可能导致不理想的集中效应;许多提供的建议主要由普遍流行的项目组成,最终导致强化效应。〔59〕协同过滤推荐算法更容易受到用户多数意见的影响,无论用户的喜好如何都会被推荐最热门的话题,具有不同偏好的一小群用户会被具有较少不同观点的大多数用户“纳入”进而影响到对其个性化推荐的结果。〔60〕推荐算法会促进某些优势群体和用户的兴趣传播。例如,服务Spotify的推荐算法通过流派和性别的相似性来组织音乐,有助于重构摇滚的主导流派,使其成为以男性为中心的、主要服务白人的音乐平台。〔61〕算法设计本身存在推荐的有限多样性会导致数据退化,放大不同兴趣人群之间的算法不平等。具有主流喜好的用户容易保持其主流兴趣,而非主流的用户难以保持自身的个性化喜好,数据地位上的不平等使得前者对后者更具有扩散辐射其兴趣的可能性。

(三)用户代表性与兴趣领袖

算法针对用户兴趣“投其所好”并非真实的投其所好,而是投与其相似用户的所好,推荐的是算法系统中和其他用户的兴趣特征、喜好特征尽可能多地发生重叠的用户的所好。协同过滤中推荐质量的高低依赖于模型为用户找到相似用户的难易程度。〔62〕和其他用户具有更高相似度的用户更容易被作为算法推荐的计算依据,从而使得他们的兴趣状态更容易发生扩散辐射。由此进一步的后果是,用户与其他用户的高相似度带来该用户的高主流度,使得算法对于计算准确性的追求产生“主流偏差”。与之相关的另一个问题是推荐计算中的数据稀疏性问题。由于大量的被推荐项目、用户同推荐系统集成,不可能每个用户都有平等的机会接触每一个对象或项目,这使得用户—项目矩阵具有很大稀疏性,而且其中的遗漏值不是随机的,这构成缺失—非随机(MNAR)问题。数据稀疏性使得用户和物品被计算时并不均衡,其中有一部分代表性的用户更容易和其他用户具有相似性,也更容易得到推荐。反映到用户的特征中,多数化的用户被称为“白羊”用户,在平台系统中不反馈的用户是“黑羊”用户,而少数人类型的用户是“灰羊”用户。〔63〕“黑羊”用户的独特品味使得算法几乎不可能提出推荐。推荐算法系统学习到的分类模型会偏向多数类,导致对少数类的预测精度较差。Bellogin等识别和分析了推荐任务时出现的特定统计偏差即稀疏性和总体性偏差,决策指标在衡量用户群体的总体满意度时,以多数人口味为目标的算法在这类指标上预期会有非常好的结果。〔64〕数据化个体并不会带来兴趣扩散和算法数据身份上的平等,喜好上的主流性而非生僻性进一步产生自我循环,它们的推送也在持续影响着平台中主流与边缘的分化。推荐算法具有的相似性漏洞、数据稀疏性等现象,容易使得算法推荐偏向更具代表性的用户及其兴趣。与其他多数用户有相似兴趣喜好的用户,在算法平台中扩散自身的兴趣与喜好比之非主流的用户更具优势。对于平台兴趣的宏观调控而言,需注意主流人群对于算法系统中兴趣演化的重要影响;同时也意味着,只要控制和针对这些具有“算法代表性”的用户,也就能在相当大程度上调节算法平台的集体和公众兴趣。

(四)算法迎合度与兴趣领袖

用户通过“算法想象”建立起自己对平台的认识,进而通过了解其性能塑造算法本身。这种作用可能会影响到内容生产者在没有完全意识到这一点的情况下,被迫不断调整作品的形式和语义主体,被引导去遵从主导叙事,以适应算法环境的结构约束。〔65〕这会带来对内容生产的兴趣趋向的塑形。一些内容提供商和专业人士选择使用个人或集体策略“取悦”算法,〔66〕从而改变其内容生产中的兴趣特征。可称之为“算法专家”〔67〕的用户引导其他内容生产者学会平台的算法推荐规则、顺应其商业化;“算法专家”通过在YouTube上向创作者出售算法可见性理论,充当着YouTube行业和文化制作人代理之间的中介。在YouTube上,自封的“算法专家”声称知道算法是如何“实际工作”的。我们可以把算法知识视频视作“市场设备”,它们使平台对算法客观性的叙述合法化,教创作者如何计算内容的价值并根据平台指标对其进行格式化,鼓励创作者建立和管理受众,以及证明继续制作内容的合理性。〔68〕平台中的“算法活动家”总结出程序化选择的知识,帮助用户传播信息和提高受欢迎程度。〔69〕“算法专家”建立起平台用户的“算法想象”,进而作用于用户有关平台关注和不关注什么内容、生产和不生产什么内容的兴趣空间和倾向性,也使得用户在和算法的交互中同其他用户产生互动。如何“取悦”算法,成为“算法专家”和“算法活动家”影响平台兴趣计算、兴趣推送的途径。从“意见领袖”到“算法专家”,也体现出传统媒介和算法媒介中“有影响力”者在影响模式上存在重大差异。

(五)算法使用度与兴趣领袖

用户与算法的互动程度和反馈循环影响着算法的推送。算法针对用户兴趣进行的推荐不是单纯地由该用户自身兴趣所决定,其中另一种重要因素是算法中的“活跃用户”。对算法进行高度反馈的活跃用户的兴趣与偏好更容易经由算法而被推送给其他用户。这些用户喜好和不喜好什么、收听和不收听什么在算法记录系统中的行为反馈较多,留下的数据痕迹较多,算法推荐的结果更多地受到这些用户或其所喜好项目的影响。音乐推荐平台中,不那么狂热的用户留下的痕迹较少,推荐系统的目标是鼓励他们留下更多的痕迹,这引发系统越来越贪婪地数据收集。〔70〕Yu对来自Twitter的数据集进行了实验,比较现有算法的推荐性能,确认每种算法的性能都高度依赖于活跃用户,每当活跃用户发生变化时,推荐命中率就会显示出很高的偏差。〔71〕过度活跃的用户会强烈影响特定类型的推荐系统,平台推荐与活跃用户的兴趣一致的内容,无意中会放大活跃用户的兴趣。〔72〕算法记录痕迹中的活跃用户尽管可能粉丝不多、地位不高、好友链接不多,但基于“算法→用户”互动中的高频度使用和反馈,而使得算法更容易根据这些用户的喜好对其他用户进行推荐。这些用户在算法中的“痕迹”使得平台产生了系统性的转向,也使得个体真正的自由兴趣、自主兴趣遭到损伤,被其他一些用户的兴趣所导向和面向算法为自己“代言”。对算法系统反馈少的人被迫与算法系统中的“活跃用户”变得相似。在算法交互中的高活跃用户还会在算法系统中形成一种迭代循环,〔73〕不断放大先前已是活跃用户的兴趣对平台中其他用户兴趣的影响力和扩散力。

(六)用户流行度与兴趣领袖

被推荐者存在着非均衡性与“马太效应”,小部分流行用户在算法系统中具有更好的被推荐度,使得用户系统发生热门推荐及其兴趣的非均衡演化。算法推荐给大多数艺术家更少的机会,让用户集中在更少的项目上。〔74〕对引入Who to Follow功能前后Twitter网络结构的变化进行研究,可以发现,不同流行度的用户都能从推荐中受益;然而,最受欢迎的用户的受益远远高于平均水平;人们更有可能对热门用户的推荐作出积极回应,进一步放大了知名人士的累积优势。〔75〕对98名微博用户的近10万条数据以及对他们的问卷调查进行分析,可以发现,“推荐流”更倾向根据那些大V的兴趣方向来判断用户兴趣;微博默认有名望者的影响力要超过普通人;具有较高领域权威的明星、名人、机构企业比起与用户关系密切的好友或大部分普通用户,更能影响甚至最终主导用户所接收到的内容;这种基于“关键少数法则”所进行的算法推送可能会进一步造成网络空间中对弱小声音、新声音的抹除。〔76〕在算法平台中“关键少数”的高流行度用户,更可能影响到其他用户接收到的内容及其兴趣变化发展。

(七)用户连接度与兴趣领袖

算法并非单纯的算法和用户之间的关系,还包括算法对于人群的推送关系,这个人群具有各种网络互动关系与在线联系。Lin等在一个电影评级数据集上的实验表明,一个占主导地位的群体将在协同过滤推荐生成中贡献更多的“邻居”,并凭借其在这些群体中的存在影响算法的预测,推荐算法优先考虑主导群体的偏好。〔77〕推荐系统的特点是它们如何模拟用户来把人们聚集在一起,无论显式或隐式。〔78〕在无标度网络中,具有长尾分布的真实网络会制造一组超稳定节点,这些节点具有如此多的“推荐”(度数),以至于它们的排名变得独立于谁推荐它们。〔79〕算法推荐在群体交互中更能使意见共存,形成共识群体。〔80〕或者说,具有更强的社会连接、社会同质性的个体,在算法作用下更容易得到向其他用户的推荐,在算法平台中生成更多的连接,它们的兴趣喜好也更容易向其他用户辐射。Espin-Noboa等人研究了Page Rank和Who to Follow(WTF)这两种著名的算法,少数群体可以通过在网络中进行战略性连接来提高他们在排名中的可见度。〔81〕提升用户在网络中的连接度,关系到他们在算法平台中的可见度、被推荐度及其兴趣引领度。

六、结 语

兴趣的演化具有一定程度的稳定性和“生成兴趣”的规律性,既不像意见、舆情那样瞬息万变,也不像文化那样过于难调控。对此,兴趣引领、兴趣引导拥有充分的深化空间。基于兴趣领袖的用户兴趣和平台兴趣调控是一个富矿,具有理论和实践上的重要意义。本研究的主要目标在于:明确提出推荐算法平台“兴趣领袖”理论内涵与模式,拓展用户“兴趣传播学”理论资源与阐释向度,进行中国算法环境下“兴趣领袖”如何可能、如何作用、如何调控的阐述和应用,强调从“意见领袖”到“兴趣领袖”、从“议程设置”到“兴趣设置”的视域转向,实现算法传播关键用户理论、意见领袖理论等的本土化扩展。

推荐算法“兴趣领袖”所需要强调的内涵有:算法技术“装置”和“物体系”兴趣传播中的“人”;算法的人机关系中的用户间兴趣传播关系;从算法机器的兴趣计算、兴趣迎合到兴趣领袖的兴趣引领;算法中从平台、资本、权力的兴趣控制到受众个体的兴趣影响力;算法和受众的复合体作为以算法为中介的社会兴趣再生产方式。

推荐算法平台可能生成“兴趣领袖”的机理包括以下方面。1.算法多级传播及其中间用户的兴趣影响。算法的推送并非直接作用于受众兴趣,而是受到受众的算法抵抗、算法想象、算法厌恶等反作用,这需要中介性的平台“兴趣影响者”在算法和受众之间进行连接与中转。2.用户对算法的反向驯化。算法平台用户不只是单纯地被算法所推送和塑造,也反过来对算法的计算、数据偏差及其推送有影响。3.从算法黑箱到算法“可见性”游戏。算法平台用户的遵循算法流量逻辑,将促成对算法游戏中“成功用户”和兴趣典范用户的模仿。4.算法不平等与兴趣优势用户,算法非理性与兴趣偏差。算法固有的数据问题例如稀疏数据、不均衡数据、对推荐召回率的追求等,将导致推荐算法系统的非理性计算,推荐过程中兴趣被部分具有优势的用户兴趣所偏转。对算法进行高度反馈的活跃用户的兴趣与偏好更容易经由算法而被推送给其他用户。5.算法中的用户兴趣伪个性化与公众兴趣引领。从个性化兴趣推送到样板化兴趣推送。推荐算法在计算时对于个体会抽象出共性化的个性,找出抽象的人然后寻求类似特点和类似的人,使得看似个性的推荐实际发生伪个性化,对个体按照其“类”的兴趣偏好进行内容推送。

推荐算法平台的“兴趣领袖”主要有以下模式。其一是基于算法可见性的高可见度用户产生的兴趣引领角色,可称之为“高算法可见度兴趣领袖”;其二是基于算法不平等产生的特定优势用户及其兴趣引领角色,可称之为“高算法优势度兴趣领袖”;其三是基于用户代表性产生的与其他用户具有高相似度的兴趣引领角色,可称之为“高算法代表性兴趣领袖”;其四是基于算法迎合度的承担“算法专家”等功能的兴趣引领角色,可称之为“高算法迎合度兴趣领袖”;其五是基于算法使用度的具有对算法系统高反馈度的兴趣引领角色,可称之为“高算法活跃度兴趣领袖”;其六是基于用户流行度的算法平台兴趣引领角色,可称之为“高算法流行度兴趣领袖”;其七是基于用户连接度的算法平台兴趣引领角色,可称之为“高算法连接度兴趣领袖”。

对于推荐算法平台“兴趣领袖”角色、模式与作用机制的明确,有助于增强对其应用和实际调控。这些调控,不只是对于用户“兴趣”和平台兴趣扩散的调控,它们涉及内蕴于兴趣而又超越于兴趣的复合调控乃至文化引导。1.兴趣调控维度。对兴趣的引导和调控不是意见调控、态度调控、情感调控、价值观引导能取代的,具有特殊性和重要性。兴趣领袖的调控作用有助于提升算法社会从意见调控、情绪调控、舆论调控到兴趣调控的治理实效,规避国内外复杂情形下的“兴趣操纵”风险。在兴趣领袖和兴趣传播、兴趣调控的语境下,有助于明确提出并凸显算法环境“兴趣领导权”的理论和实践向度。以习近平同志为核心的党中央提出要牢牢掌握意识形态工作的领导权。结合“文化领导权”(cultural hegemony)〔82〕等理论,可明确提出国家意识形态工作的“兴趣领导权”的理论及实践向度,重视和加强党和国家对于网络文化、算法文化的兴趣引领力。2.用户调控维度。以新的理论视角来定位、引导与应用算法网络传播中的关键用户,在KOL(关键意见领袖)之外,挖掘符合中国特色社会主义先进文化的“关键兴趣领袖”。抓住兴趣的“领头羊”,有助于事半功倍地发挥其正面示范、激发、带动作用,在“网红”时代和资本扩张背景下促进健康有序的网络文明引导。3.平台调控维度。面向算法平台受到的文化工业、流量经济、网红经济、算法殖民的负面影响,以及产生的商业化、低俗化、娱乐化、极端化等不良内容偏向,通过兴趣传播维度审视平台文化趋向、内容偏向的治理难题,也使得基于用户兴趣扩散网络调控下的“平台兴趣调控”乃至“平台文化气质调控”成为内蕴之义。在此意义上,兴趣领袖的角色、功能涉及对于平台兴趣、文化进行调控的可能维度。4.舆情调控维度。以兴趣调控来实现对平台中关注什么和不关注什么内容、偏好什么和不偏好什么主题的引导,实现从“议程设置”到“兴趣设置”、从兴趣设置反作用于议程设置的循环体系。5.价值调控维度。兴趣是连接感性认知和对事物价值判断的中间层面,兴趣调控有助于从感性喜好和认知判断的薄弱环节对算法进行主流价值的注入与导向。兴趣涉及感性、趣味、康德哲学意义上的“判断力”等层面,不同于理性认知、思想体系和价值体系。但对感性的控制、引导、革新或解放,往往关系到意识形态和价值体系层面,对主体形成在感性层面的“规训”和“权力”,为伊格尔顿探讨的“审美意识形态”〔83〕、马尔库塞探讨的“新感性”〔84〕所强调。价值观的调控不只是对于抽象的思想体系的引导,也关系到对于喜好什么、不喜好什么的感觉层面的引导。兴趣处于感性和思想价值体系的中间层面,对其引导和调控在算法文化建设中得到的明确重视还有待加强。

兴趣领袖着眼于算法平台的特殊机制,而算法传播的特点和社交媒体或传统媒体具有很大的差异,不能把旧媒体的“意见领袖”作用简单类推用以理解新的算法媒体中的“兴趣领袖”。借用麦克卢汉的表述,不能通过“意见领袖”等“后视镜”来看待前方。〔85〕迫切需要重视推荐算法环境中的“兴趣领袖”角色、功能与意义,这关系到意见领袖、算法权力等研究的本土理论拓展,以及实践深化的可能空间。首先,在推荐算法平台“计算理性”“算法霸权”和“兴趣殖民”作用下,影响和引领平台用户兴趣的“关键用户”得到的重视及机制分析还不足,对此需要予以强调。其次,对用户的兴趣引导需要充分发挥兴趣“领头人”的作用,提升引导实效。最后,兴趣的传播不同于意见的传播,而兴趣在算法传播中尤其具有特殊性和重要性,因此有必要强化本土“兴趣传播学”的理论深化与实证推进。