國外過濾氣泡研究：基礎、脈絡與展望

姜婷婷，許艷閏

（1. 武漢大學信息管理學院，武漢 430072；2. 武漢大學信息資源研究中心，武漢 430072）

1 引 言

當人們所接收到的信息輸入量超過了人們理解和處理的范圍，就會進入“ 信息過載”（informa‐tion overload） 狀態。在應對信息過載時，“過濾”（filtering） 是一種常見的手段，即僅處理 “優先級高” 的信息[1]。日新月異的互聯網技術雖然帶來了信息的爆炸式增長，加劇了信息過載，但同時也實現了信息的自動過濾，將 “優先級高”（通常是指更符合個人偏好） 的信息直接推送給用戶，從而降低了信息生產者的送達成本和信息消費者的決策成本[2]。

久而久之，人們開始發現自己正處在一個多樣性降低的信息世界中：視頻平臺經常會推薦那些與自己以往喜好類似的電影[3]；在線購物平臺會不斷地給自己推薦同一類型的產品[4]；新聞網站推薦的新聞總是與自己的興趣高度一致[5]；音樂平臺推薦的曲目與自己已經收藏的曲目在風格上也極為相似[6]。這種個性化的信息推薦促使網絡世界中形成了一個個無形的過濾氣泡，很多人都被困在自己的氣泡中，與異質信息的接觸越來越少。

“ 過濾氣泡”（filter bubbles） 這一概念是由Pariser[7]在The Filter Bubble:What the Internet Is Hiding from You一書中提出的，他認為以PageRank 為代表的搜索算法已經成為過去，現在的搜索引擎可以時刻捕捉用戶的偏好，并據此為其定制個性化的搜索結果，這使得每個人都身處一個獨有的信息世界，即過濾氣泡，阻礙人們偶遇異質信息①Pariser 在The Filter Bubble: What the Internet is Hiding from You 中對 “過濾氣泡” 的原始描述為 “The new generation of Internet filters looks at the things you seem to like—the actual things you've done, or the things people like you like—and tries to extrapolate…these engines create a unique universe of information for each of us—what I've come to call a filter bubble—which fundamentally alters the way we encounter ideas and in‐formation.”(pp. 10)。

如上所述，“過濾氣泡” 概念的初始定義非常清晰，強調了其與個性化推薦算法之間的密切關聯，然而在后來的使用過程中卻發生了概念混用的情況。其中，早在互聯網推薦算法流行起來之前就出現的概念——“信息繭房”（information cocoons）是最常與之混淆的。 美國學者Sunstein[8]在Infotopia:How Many Minds Produce Knowledge一書中首次提出 “信息繭房”，并將其定義為一種特殊的信息世界，身處其中的人們只會聽到令自己感到舒適和愉悅的信息。目前，國內的許多學術文獻和媒體文章均將由技術因素造成的 “過濾氣泡” 冠以“信息繭房” 之名，但兩者本質上并不能等同：信息繭房是人們主動對信息進行選擇的結果，而過濾氣泡則是人們被動接受算法推薦的個性化信息的結果。

近年來，流行的個性化推薦算法在迎合用戶喜好的同時，伴生著推薦質量下降的問題，過濾氣泡的出現限制了每個人所能接收到的信息范圍，用戶正在逐步喪失信息自主權，長此以往令人擔憂[9]。清楚認識過濾氣泡，并提出應對之策迫在眉睫，但國內相關研究對這一概念內涵的挖掘較為淺顯，研究進展也相對遲緩。因此，本研究采取系統性綜述方法對國外過濾氣泡研究成果進行分析、整合與展示，按照規范流程對文獻進行搜索與篩選，并從中提取出研究脈絡和重要主題，旨在深化概念理解、探討未來的研究思路與發展趨勢。

2 過濾氣泡研究基礎

2.1 理論基礎

雖然過濾氣泡是在近年來互聯網信息爆炸的背景下產生的，但是其理論基礎可以追溯到傳播學領域于20 世紀40 年代所提出的 “守門人理論”（gate‐keeping theory）。這一經典理論認為，信息在向受眾傳播的過程中存在著 “門區”（gate）[10]，那里的“守門人”（gatekeepers） 決定了哪些信息可以通過、而哪些信息被拒之門外[11]。在傳統媒體時代，記者、編輯等新聞工作者扮演了 “守門人” 的角色，這些 “守門人” 會根據自身的經驗和判斷挑選出受眾可能感興趣的內容，并將其呈現給受眾[12]。

Web 2.0 時代到來之后，政治、經濟、科學等領域的信息得以在互聯網上快速、便捷地傳播，各類社交媒體、 搜索引擎等網絡平臺，如國外的Facebook、Google，國內的新浪微博、百度等，逐漸替代了傳統媒體中的記者和編輯，在一定程度上成為了現代社會信息傳播過程中的 “守門人”[13]。為了應對互聯網上日益增長的信息量，這些新的“守門人” 引入了 “個性化”（personalization） 這一手段，通過設計并應用各種個性化推薦算法來實現信息的精準推送。雖然個性化推薦能夠有效地緩解用戶的信息過載負擔，但同時也在很大程度上使得人們更有可能接觸到自己已經感興趣的信息，而其他信息被過濾掉。過度的個性化推薦會制造出一種單一的信息環境，令用戶局限于狹窄的信息接收范圍，將其困在過濾氣泡之中。

2.2 技術基礎

推薦系統（recommender system） 是信息過濾系統的重要組成部分，通過預測用戶對信息價值的評分來實現個性化的推薦[14]，既免去了用戶查找信息的麻煩，又能準確地與其興趣相匹配[15]。常見的個性化推薦算法主要包括以下幾類。

（1） 基于內容的過濾（content-based filtering）：根據目標用戶以往喜歡或選擇的信息，推薦與之相似的更多信息，該方式依賴于用戶歷史數據分析和可用信息特征提取，核心在于計算信息內容之間的相似度[16-17]。

（2） 協同過濾（collaborative filtering）：可以分為基于信息（item-based） 和基于用戶（user-based）的協同過濾。基于信息的協同過濾，是指如果兩個信息條目同時被很多人喜歡，那么就可以認為這兩個信息條目是相似的，可以向消費了其中一個信息條目的用戶推薦另一個條目；基于用戶的協同過濾，是指向用戶推薦與之品味相似的其他用戶所喜歡的信息條目。協同過濾的核心在于根據用戶喜好計算信息之間的相似度[18]。

（3） 混合推薦（hybrid recommendation）：將基于內容的過濾、協同過濾等多種推薦算法結合起來使用，充分發揮各種算法的優勢，彌補不足，從而有效地突破單一算法的固有限制[19]。

3 數據與方法

本研究采用系統性綜述的方法對國外近年來的過濾氣泡相關研究進行梳理和總結。系統性綜述是一種識別、評價和解釋與特定研究問題、主題領域、感興趣現象有關的全部現有研究的方法[20]，具有系統、全面、透明、可復制等優點[21]。本研究參考系統性綜述的常用流程開展工作，具體如圖1所示。

圖1 系統性綜述工作流程

在搜索國外 “過濾氣泡” 相關文獻時，本研究首先選擇了覆蓋多個學科領域的綜合性數據庫Sci‐enceDirect、SAGE Journals、 SpringerLink 和Wiley Online Library，以及側重于社會學、管理學、政治學、心理學等人文社會科學研究的Emerald Manage‐ment Xtra 數 據 庫，分 別 以 “filter bubble(s)” 和 “in‐formation bubble(s)” 為查詢式，開展主題、標題、摘要和關鍵詞字段的搜索；接著使用相同的查詢式在Google Scholar 和ResearchGate 中進行搜索，補充了未被以上數據庫收錄的論文。此外，本研究還采用了反向搜索（backward search） 的策略，查看被已有綜述文章納入分析的文獻，然后對現有搜索結果進行補充（如Bruns[22]、Spohr[23]）。文獻搜索工作于2020 年5 月進行，初步得到153 篇論文。

由圖1 可知，經過第1、2 步的搜索、去重，獲得了77 篇可能與過濾氣泡相關的論文，但還需要進一步確定其是否符合本研究的綜述目標，因此，本文設定如下的文獻納入標準：①發表在同行評審的期刊或是會議論文集上的英文論文；②提供了具體的研究設計和研究結果的實證論文，評論、社論等類型的論文被排除在外；③聚焦于過濾氣泡的研究論文，僅提到該現象但研究問題與之無關的論文被排除在外。

根據上述納入標準，進行第3 步的初步篩選之后得到69 篇相關論文，接著還需要對每篇論文開展質量評估，以確保綜述對象的質量。評估時主要考慮以下因素：①研究背景闡述是否清晰；②研究目標及研究問題是否明確；③研究設計是否適用于研究目標；④數據采集方法是否合適，操作過程是否恰當；⑤數據分析方法是否合適，操作過程是否恰當；⑥研究結果是否可靠；⑦研究結論是否具有一定的深度和意義。經過第4 步質量評估完成二次篩選后，最終得到了61 篇高質量的過濾氣泡研究論文的文獻集合。如表1 所示，這些論文大多發表于近五年，以期刊論文為主，廣泛涉及圖書情報學、計算機科學、社會學、心理學等多個學科領域，由此可見，過濾氣泡是一個跨學科的問題。

表1 文獻集特征分布

4 過濾氣泡研究脈絡

4.1 過濾氣泡是否真的存在？

信息過濾或個性化推薦會大大降低人們所接觸信息的多樣性，這一觀點已經得到普遍認同，但是否已經達到產生過濾氣泡的地步，是以往研究長期關注的一個問題。本研究梳理了涉及該問題的文獻，從中提取了不同的甚至是相反的研究結論，并且發現過濾氣泡存在與否，在很大程度上取決于研究的角度及判斷的標準，如表2 所示。

表2 與過濾氣泡是否存在有關的文獻梳理結果

4.1.1 過濾氣泡不存在或被夸大

有些認為過濾氣泡不存在或被夸大的研究大部分都是面向用戶的研究，即通過問卷、訪談等自我報告方法，調查用戶使用網絡應用的總體情況、日常瀏覽信息的一般習慣等[25-26]。這些研究發現，大多數用戶會主動利用多個平臺來獲取信息，而且也會有意識地瀏覽觀點不同的信息，將自己暴露于一個多樣性較高的信息環境中[26-27]。 因此，Dutton 等[24]指出，技術對人類信息獲取行為的影響受到了高估，理論上的過濾氣泡在現實世界并不存在。

當然，也有面向平臺的研究認為，過濾氣泡不存在或被夸大。 Haim 等[31]、 Puschmann[32]、 Ne‐chushtai 等[33]以新聞網 站（如Google News） 為 背景，分析發現，平臺推薦給不同用戶的新聞在來源和內容上是高度同質的，因此，這些研究者認為在線新聞消費過程中人們對過濾氣泡的擔憂可能被夸大了。針對Google 搜索引擎的一部分研究顯示，系統根據個人以往行為和偏好返回的搜索結果在不同用戶間并未表現出明顯的差別[29-30]，Google 不僅不會將用戶困于過濾氣泡內，而且還會促進跨意識形態的信息消費[28]。

4.1.2 過濾氣泡真實存在

少量以社交媒體或音樂平臺為背景的研究認為，這些平臺上確實存在著過濾氣泡。Bechmann等[34]將過濾氣泡理解為較低的信息相似性，即點擊的鏈接、瀏覽的信息內容與其他人不存在重合，通過分析Facebook 上1000 名用戶在14 天內獲得的個人推送發現，確實存在少量用戶完全孤立于其他用戶，受困于過濾氣泡之中。Min 等[35]在微博上部署了128 個社交機器人并分析了這些機器人及其社交網絡接收到的信息，認為過濾氣泡是社交媒體上的一種高度密集的用戶社區，這些社區中的用戶具有相似的偏好，其星狀結構會自發地排除異質信息，造成群體極化。Wheeler-Mackta 等[39]調查了Pandora用戶的音樂播放習慣后指出，音樂平臺提供的個性化推薦功讓用戶不太可能主動挑戰其已有偏好，促進了過濾氣泡的產生。

值得注意的是，針對Google 的另一部分研究卻認為，該搜索引擎中是存在過濾氣泡的，因為不同用戶得到的搜索結果具有一定的差別[37]，或者少數用戶得到的搜索結果有別于其他用戶[36]。

4.2 過濾氣泡會帶來怎樣的影響

實際上，Pariser[7]在首次提出 “過濾氣泡” 概念時就帶有批評的意味，因此，這一概念本身就暗含著消極影響。但是本研究發現，也有少數學者注意到過濾氣泡在特殊背景下的積極影響。

4.2.1 過濾氣泡的消極影響

信息多樣性的下降帶來了過濾氣泡[40]。由于人們常常意識不到過濾氣泡的存在，或者即使意識到其存在，卻不知道如何與之對抗，因此，更傾向于對過濾氣泡采取一種被動接受的態度[41-44]。由于缺少干預，過濾氣泡在多個社會領域都造成了消極影響，其中在政治和健康領域尤為突出。

在過濾氣泡中，個體的意見容易被同質化的群體聲音所淹沒，這會導致個人話語權面臨巨大的挑戰[45]、個體理性的力量將會減弱[46]、公眾的批判性思維能力會遭受影響[43]。 因此，Ribeiro等[43]根據在本國開展的一項調查研究推斷，在政治領域，過濾氣泡能夠在民主選舉等重要的公共事件上影響甚至故意引導人們的觀點；加快了意識形態的極化，促進了 “回音室” 的出現，不利于社會團結[47-48]。此外，因為過濾氣泡中大多只充斥著人們感興趣的信息，所以那些相對枯燥、復雜的話題，如政治、環境等重要的公共議題將會逐漸被動地退出社會大眾的視線[7,49-50]，公共議程的發展將面臨遲滯。

由于過濾氣泡可以促進信息的定向傳播，因此，在健康領域可能被利用來將蓄意編造的錯誤信息直接送達到特定的弱勢群體，最終威脅其生命健康[41,45]。例如，家長在社交媒體或搜索引擎中接觸到與兒童疫苗接種有關的錯誤信息后，可能會猶豫是否要給孩子接種疫苗，甚至選擇不給孩子接種疫苗，無意中讓孩子面臨感染常見可防疾病的風險[41,51]。

4.2.2 過濾氣泡的積極影響

盡管過濾氣泡的消極影響毋庸置疑，但它并非一無是處。首先，過濾氣泡是利用技術手段實現信息過濾的產物，確實能夠有效減輕人們的信息過載[47,52]，不僅能節省信息搜尋和篩選的時間成本，而且還能獲取自己感興趣的信息。除此之外，特殊領域的過濾氣泡可能帶來意想不到的好處。例如，反性別歧視過濾氣泡為其參與者提供了一個免受性別歧視和社會質疑的小空間，是她們物質需求和安全感的重要來源[53]。社交軟件上的關系型過濾氣泡能夠幫助用戶找到與他們相似的人，使其得以更好地與陌生人分享個人興趣、品味乃至價值觀，有效地拓展了自己的社交圈[25]。

4.3 如何應對過濾氣泡

上述研究證據表明，過濾氣泡是一種真實的存在，可能在特定的網絡環境中表現得更為明顯。過濾氣泡在大多數情況下也是一種不利的存在，可能阻礙個人及社會的正常發展。因此，探討如何應對過濾氣泡成為國外相關研究的落腳點。本研究基于文獻比較識別出應對過濾氣泡的兩種策略：①通過信息過濾可視化降低過濾氣泡的影響；②通過個性化推薦算法優化破除過濾氣泡。

4.3.1 信息過濾可視化

對信息過濾進行可視化有利于增強用戶對過濾氣泡的感知[41]，提升用戶對信息過濾過程的控制感[46,52]，并鼓勵用戶主動接觸不同觀點的信息[24,54]，從而削弱過濾氣泡可能帶來的不利影響。

以往最受關注的是針對在線評論的可視化，相關研究對評論內容進行收集、整合與展示，以一種更加直接的方式增加用戶對異質信息的接觸，促進用戶對不同觀點的思考和討論。Opinion Space 是一款在線評論瀏覽工具，它將一個網絡論壇中的評論投射到二維視圖中，每個點代表一條評論，觀點差異越大的評論相距越遠。當用戶瀏覽某條評論時，系統會提示用戶對自己認同該評論觀點的程度進行打分；一條評論越受不同價值取向的用戶認同，視圖中對應的點會變得越大。該可視化工具不僅使得多樣性的評論一覽無余，而且方便用戶發現那些引起廣泛共鳴的評論[55]。另一款在線評論瀏覽工具Reflect 在每條評論旁都設置了一個聆聽框，鼓勵其他用戶簡明扼要地重申評論者的觀點或是發表自己不同的意見，從而為用戶之間的相互傾聽與交流創造了機會[56]。ConsiderIt 是一個觀點審議平臺，它廣泛地邀請用戶就某一公共話題分別創建贊成和反對的觀點列表，以此來促進正反觀點的互動，引導人們反思和權衡他人分享的不同看法[57-58]。

圍繞搜索引擎開展的可視化研究旨在幫助人們意識到搜索中過濾氣泡的存在。一款名為Bobble 的瀏覽器插件拓展了Google 搜索結果的可見性，針對同一查詢式，僅用戶自己可見的搜索結果以黃色背景顯示，同時，該用戶不可見而其他用戶可見的搜索結果以紅色背景顯示，這樣可以直觀地反映個性化的程度[59]。Tabrizi 等[60]提出了基于觀點的搜索范式（perspective-based search paradigm），認為搜索應該具有平等性，因而將搜索主題所涉及的不同觀點識別出來并展示給用戶，用戶可以在這些觀點中自由地選擇查看哪些搜索結果。這種做法充分尊重了用戶的自主權，有利于提升用戶的批判性思維，避免偏聽偏信，從而增強搜索引擎的可信度。

針對社交媒體上的過濾氣泡，Nagulendra 等[61]專門創建了一種非常形象的可視化方式，即采用圓圈來表示過濾氣泡，圓圈內的好友及其狀態更新是用戶原本可見的，而原本被過濾掉的內容則顯示在圓圈外。在這個可視化界面上，用戶可以通過添加、刪除等操作改變氣泡所包含的內容，從而使自己 “逃 離” 氣 泡。

此外，Munson 等[62]開發了一款名為Balancer 的瀏覽器插件，利用 “小人走鋼絲” 的簡筆畫來表現用戶在瀏覽器中的閱讀行為：分析其所讀內容的傾向性，這個小人在鋼絲上會相應地擺動身體，從而提醒用戶其閱讀行為實際上是帶有偏向性的。

4.3.2 個性化推薦算法優化

個性化推薦算法能夠實現信息的精準推送，但是過度的個性化會降低用戶所接收到的信息的多樣性，導致過濾氣泡的產生。因此，個性化推薦算法優化的基本思路，在于降低個性化程度、提升信息多樣性，從而在根源上阻斷過濾氣泡的形成[63-64]。

在推薦過程中引入 “意外發現”（serendipity）機制一直是個性化推薦算法優化的主要方向。信息獲取情境中的意外發現又稱為 “信息偶遇”（infor‐mation encountering）。不同于主動的、有目的的信息搜尋，信息偶遇具有低參與、低預期的特點，偶遇經歷可能帶來意料之外的價值，包括獲得新知識、發現新方向、實現社交效益等[65-66]。在推薦算法中添加適度的意外發現可以為用戶制造驚喜，避免用戶對接收到的信息產生厭倦；驚喜是一種積極的情感反應，有利于喚起思考、激發學習興趣，從而增強人們接觸多樣化信息的意愿[67-68]。

推薦算法中的意外發現應該平衡信息新穎性和相關性之間的關系，涉及用戶建模和語義推薦兩個方面，基于內容模式從用戶模型中識別可能是意外發現的那些概念并據此推薦信息[69]。 Symeonidis等[70]將新穎性表示為信息之間的距離，即目標信息與用戶以往接收到的信息在所屬類別、文本特征等方面的相似度越低、距離越大，目標信息的新穎性就越高，再結合用戶原本的信息偏好，為其推薦既新穎又可能感興趣的信息。Yokoyama 等[71]針對推特推文提出了“ 新鮮度導向”（freshness-oriented）的推薦方式，首先確定推文所包含的主題，若用戶之前很少接觸到該主題，則認為推文具有較高的新鮮度，再根據用戶的偏好對新鮮度較高的推文進行篩選推送。

值得注意的是，意外發現有助于信息多樣性的提升，同時也導致信息推薦的精準性下降。為了解決這一問題，Lunardi[72]首先使用內部多樣化算法（intra-diversifier） 生成一個候選推薦列表，再將該列表輸入過濾后多樣化算法（post-filtering diversifi‐er） 中得到最終的推薦列表，這樣將信息多樣化和信息過濾兩個過程結合起來，可以避免單一過程可能帶來次優結果的情況。

5 討 論

5.1 重新解讀“過濾氣泡”

盡管Pariser[7]在2011 年提出 “過濾氣泡” 概念時就指出了這一現象的普遍性，但令人意外的是，“過濾氣泡是否真的存在” 仍然是以往研究關注的重要問題，而且相關探討得到的結論出現了相互矛盾的情況。究其原因，這些研究對過濾氣泡的理解存在著明顯的差異，因而采取了不同的研究角度和判斷依據（見表2）。

在原始的概念表述中，Pariser[7]以搜索引擎為例，將過濾氣泡的產生歸因于個性化推薦算法。很顯然，他認為算法并不是憑空存在的，其載體是搜索引擎、社交媒體等網絡平臺；不同的平臺提供信息的類別、方式、目標等不盡相同，相應地也會采用不同的算法。也就是說，算法是具有平臺屬性的，可能有的平臺所采用的算法會導致過濾氣泡，而有的卻不會。因此，對于過濾氣泡存在與否，基于不同的平臺得到的結論不一致是可以理解的。目前，互聯網資源的豐富性和可訪問性決定了用戶獲取信息的來源絕不是單一的，大多數人都會接觸到多個種類的網絡平臺以滿足其各個方面的需求，甚至會在同一種類中同時使用多個平臺以擴大信息的覆蓋面。即使單個平臺的算法個性化程度過高，其不利影響是有可能被其他平臺所平衡或消解的，這也是為什么以往面向用戶的相關研究均認為過濾氣泡不存在或被夸大了。這些研究人員所考慮的范圍是用戶所處的整體信息空間，更關心用戶本身對過濾氣泡的認知，而弱化了過濾氣泡與算法之間的關聯。

Pariser[7]最初在描繪“ 過濾氣泡” 時曾提到，“過濾氣泡” 是一個人所獨有的信息世界，并且這個信息世界中缺少異質信息。然而之后的部分研究對過濾氣泡的理解在不同程度上逐漸偏離了這兩點。有的研究認為，社交媒體上同質化的用戶社區就是過濾氣泡[35]，盡管這種用戶社區的形成離不開個性化推薦算法的作用，但其本質上是 “回音室”（echo chambers），因為包含了多個個體及其之間的緊密關系[73]。此外，有的研究認為，過濾氣泡存在的根本依據是不同用戶所接觸到的信息具有較大差異，卻忽略了每位用戶自身所接觸到的信息應該是很單調的[34,38]。事實上，多個用戶的信息差異性和單個用戶的信息多樣性是兩個相互獨立的變量，不難設想，在前者差異性很高的情況下，后者的多樣性也可以很高，這樣過濾氣泡是不存在的。

在深入分析了核心概念的初始定義及其理解誤區后，本研究認為，“過濾氣泡” 具有三個基本特征：①過濾氣泡是在網絡平臺個性化推薦算法的作用下產生的；②每個過濾氣泡內部的信息多樣性一定是很低的，且不同過濾氣泡之間的信息差異性有可能很高；③過濾氣泡是一種針對個體的存在，即一個過濾氣泡包裹著一位用戶。

5.2 過濾氣泡研究發展趨勢

過濾氣泡在減輕信息過載、提供情感和精神支持方面發揮了一定的積極作用，但對公民話語權、公共議題討論、健康信息傳播等方面確實帶來了更為普遍的不利影響。因此，如何有效應對過濾氣泡一直都是研究人員關注的重點。本文第4.3 節梳理了兩大類應對策略，從時間上來看，信息過濾可視化研究主要集中在2015 年以前，而2015 年至今的研究主要圍繞個性化推薦算法優化展開，因此，可以通過圖2 表現過濾氣泡應對思路的轉變。該轉變一方面源自計算機技術的發展、算法設計與分析手段日益成熟；另一方面，則源自人們對過濾氣泡問題認識的深入，降低其影響只能 “治標”，只有破除過濾氣泡或阻斷其形成才能“ 治本”。 當然，目前該領域對算法優化的探索尚處于初級階段，相關研究數量較少、優化路徑較為單一，而且僅從技術角度思考問題，忽略了用戶個體在信息獲取活動中的主體地位。因此，深化推薦算法研究、進一步拓寬過濾氣泡應對思路應該是該領域未來發展趨勢。

圖2 過濾氣泡應對的思路轉變過程

鑒于過濾氣泡與個性化推薦算法的密切關系，深化以 “意外發現” 機制為核心的算法改進依然是應對過濾氣泡的主要手段之一。未來研究可以進一步探索如何提高推薦信息的新穎性，也可以考慮在傳統精準推薦的基礎上，通過調整排序（reranking）將用戶原本可能會忽視的信息推向更為顯著的位置，或通過反向推薦（modification） 讓用戶看到與之不同的人所不喜歡的信息[74]。此外，在個性化推薦工作中，融入以遞歸神經網絡（recursive neural network）、 卷積神經網絡（convolutional neural net‐work）、生成式對抗網絡（generative adversarial net‐works） 為代表的深度學習技術，可以通過學習數據的潛在特征來捕捉用戶的深層次信息偏好，幫助其豐富個人興趣。

Bozdag[13]指出，信息在流向用戶的過程中會經過層層過濾，除了個性化推薦外，信息源選擇與收集、信息選擇與優先級排序、信息展示等多個技術環節都會通過相應的算法實現信息的過濾，在不同程度上降低了信息多樣性。此外，該過程中也會發生人為過濾，不符合個人判斷、組織傾向、政府要求的信息都可能被刪除或拒絕。已有研究表明，在線信息審核（online censorship） 也會導致過濾氣泡的產生[75]。也就是說，過濾氣泡可能是多個環節共同作用的結果，而僅著眼于個性化推薦算法的改進是存在局限性的，未來研究應該充分考慮信息過濾的過程性，深入各個環節，有針對性地設法提升信息多樣性，如豐富信息收集渠道、采用更靈活的信息排序操作、制定系統的信息審核規范、提供交互性強的信息展示方式等。

6 結 論

互聯網技術，特別是推薦系統的發展，導致過濾氣泡問題日益顯著，相關研究在國外呈逐年遞增趨勢，在國內卻由于概念混用而停滯不前。本研究首次采取系統性綜述的方法對國外過濾氣泡的研究成果進行分析、整合與展示，以信息行為研究人員的眼光重新審視過濾氣泡的本質，揭示了過濾氣泡的基本特征，將其與 “信息繭房”“回音室” 等相似概念進行初步辨析，以期推動研究人員對過濾氣泡的深入探索，為圖書情報領域對過濾氣泡的進一步研究提供參考。