算法推薦機制對用戶議程的影響與反思
——基于技術與社會互動的視角

王軍峰

(陜西師范大學新聞與傳播學院，陜西西安 710119)

隨著算法推薦技術的崛起，傳統媒體的議程設置權力開始向算法平臺轉移。“你能看見什么由平臺的算法所決定，算法在影響你的立場，進而塑造你的價值觀”。[1]算法顛覆了傳統媒體議程設置的流程、機制，也制約了議程設置產生的社會效果。學者帕里澤發現，兩位住在美國北部并且受教育程度相似的朋友在Google上搜索有關英國石油公司墨西哥灣漏油事件的消息，一位獲得了其深水地平線漏油事件的信息，另一位獲得的卻是關于該公司的投資信息。[2]而在Google上針對“埃及”這一關鍵詞的搜索結果也顯示不同人的搜索結果頁面存在很大不同。一位叫丹尼爾(Daniel)的人，在他第一頁的谷歌搜尋結果里完全沒有得到任何有關埃及抗議事件的東西。而另一位叫斯科特(Scott)的搜尋結果卻滿滿都是埃及的抗議事件。[3]在國內，既有的實證研究也顯示今日頭條采用的算法分發系統會導致“沒有兩個人收到完全相同的新聞推送?！盵4]這說明，算法正在為不同用戶設置不同的議題，而這些議題最終會影響用戶對周圍環境的認知、態度甚至現實行為。顯然，算法推薦給傳統媒體的議程設置帶來了新的問題，本研究重點分析算法對傳統議程設置帶來的新轉向，探究不同算法推薦模型對用戶議程產生的不同影響，并對其可能產生的社會負面效果進行校正，以發揮算法議程設置的正面社會效果，因而在理論與實踐層面都具有重要意義。

一、文獻回顧與研究創新

20世紀60年代，麥庫姆斯和肖針對傳統媒體提出議程設置假說，開啟了傳播效果研究的宏觀范式，此后不同學者對該假說進行了實證研究，并逐步演化出屬性議程設置、網絡議程設置[5]和議程融合[6]等新的研究方向。隨著媒介技術的迭代，議程設置研究從早期報紙、電視媒體擴展到互聯網、社交媒體和新媒體等領域，重點關注新媒介下議程設置的效果和影響。如李婷婷認為新媒體環境下傳統大眾媒體議程設置的功能在弱化。[7]高憲春認為微議程已經成為議程設置不可忽視的顯性影響因素。[8]他還認為，新媒體環境下議程設置呈現出“個體議程—社群議程—媒體議程—公眾議程—政策議程”多向非閉合性特征，研究的重點應由“媒體”轉向“社群”。[9]學者趙雅文等則具體研究了新媒體環境下信息流向與政治議程、媒介議程、公眾議程之間的關系。[10]學者曾凡斌發現在某些事件上，中國的媒體議程難以很好地影響受眾議程。[11]

以上研究說明，技術因素已成為學者研究議程設置理論的有效切入口。在算法推薦成為主要信息流通方式的社會中，探究算法推薦對議程設置機制和效果的影響既具有理論意義，也具有現實意義。目前，學者多聚焦于算法對新聞業態的影響、算法黑箱、信息繭房、算法偏見、算法焦慮、算法權力等，對算法與議程設置之間關系的研究較少，但也有學者在不同層面注意到了兩者可能存在的關系。如張志安在研究算法正當性的問題中看到了算法具有新的議程設置效果。[12]趙雙閣等認為算法分發對議程的設置影響公共權力，實際上體現的是商業公司的商業議程。[13]羅昕等發現算法傳播有可能導致算法強國操控國際議程設置，[14]算法過濾機制也可能產生重大議程設置效果。[15]宋建武則認為“信息繭房”是算法時代的議程設置。[16]李林容則發現算法議程設置中蘊含著對人的主體性的遏制。[17]劉修兵和劉行芳關注到了算法議程設置可能存在強化“信息繭房”、加強“群體極化”和引發“沉默的螺旋”的風險。[18]宋嘉賡等從網絡監管的角度認為應對算法議程設置進行重點監管。[19]

這些成果為本研究提供了有益借鑒，但也有進一步開拓的可能：一是現有研究都較少分析算法推薦如何對傳統議程設置產生影響，以兩者交叉為主題的研究似有欠缺；二是研究者多將算法作為一個整體術語，對其進行打包處理，較少關切不同算法推薦系統設計思路、原理的差異性和復雜性，這也導致對算法推薦的效果研究往往大而化之，難以深入；三是對算法影響議程設置的分析多從負面效應展開，忽視了其正面效應存在的可能性。因此，本研究從算法推薦和議程設置交叉的視角切入，探究算法推薦機制下傳統議程設置的轉向、算法推薦對用戶議程設置的影響和效果等，以此為遵循重點解決以下幾個問題：(1)與傳統媒體的議程設置相比，算法推薦下的議程設置有哪些新的變化？(2)不同算法推薦下的議程設置效果具體如何？(3)從辯證思維出發，在算法推薦設置用戶議程所產生的負面效果中探尋正向效果的可能性。

二、技術的可能：算法推薦下議程設置的新轉向

與傳統媒體設置議程不同，在用戶向移動端遷移的情況下，新興的算法型媒體平臺和信息平臺對算法推薦系統的廣泛使用，導致了算法時代議程設置的新轉向。

(一)主體：從“機構媒體”到“多元主體”

議程設置理論最初主要研究報紙議程與公眾議程之間的關聯性，后來研究逐漸拓展到包括電視媒體、網絡媒體、社交媒體、新媒體等領域。而以大眾媒體如報紙、廣播、電視等為主體的議程設置也開始轉向傳統媒體與新興媒體并存、主流媒體與商業媒體并存、中央媒體與地方媒體并存的局面，議程設置的主體呈現出豐富性和多元性。不同媒體基于不同立場形成了“眾聲喧嘩”的局面，媒體之間議程設置、議程互動與融合現象更為突出。不同主體在算法的加持下，形成了不同的媒體形態和算法類型，這種多元主體和多元算法也導致議程設置更為復雜。

(二)動機：從“媒體公共性”到“商業利益至上”

隨著新興商業平臺的崛起，它們開始利用算法主導用戶議程。在國內，算法技術被今日頭條、一點資訊、搜狐新聞、新浪新聞、網易新聞等市場化媒體平臺所用，這類平臺摒棄了傳統媒體時代新聞的價值要素和公共利益原則，將用戶作為消費者，因而更加注重信息的覆蓋、頻次、匹配、停留、轉發等利于廣告價值和價格計算的要素，呈現出明顯的商業訴求。例如，百度的競價排名機制就是基于商業利益考量的算法推薦系統，它將為用戶設置議程的權力轉化為具有嚴重資本偏見的排名方式，從而迫使議程設置商品化。[20]微博熱搜榜也是一種“類競價排名機制”，網絡水軍、粉絲等通過數據操控實現將目標對象推向“熱搜”“榜首”的位置，而背后的資本邏輯顯而易見?？梢哉f，算法背后是一套試圖增加用戶黏性和提高點擊量謀利的商業邏輯。[17]算法時代的議程設置具有技術邏輯與資本邏輯雙重驅動的特征，資本的內在需求與技術的外在規律主導著算法平臺對用戶的議程設置，影響著用戶的議題認知、意見表達和行為方式。

(三)手段：從“編輯把關”到“影子把關”

算法時代議程設置采用了技術化的手段，通過對用戶的技術性測量來了解用戶，并以技術化的程序介入到信息的生產、預測和分發環節，最終通過隱形化、后臺化和黑箱化的方式為用戶設置議程。盡管在技術中立理念的影響下，算法看似沒有設置議程，卻能通過不同的策略篩選信息，且通過不同模型將信息推送給用戶，甚至能將具有不同敘事框架的內容推薦給用戶，但用戶對此難以察覺，因而基于算法的新聞推薦具有一定的隱蔽性。[21]可以說，算法推薦系統下的信息篩選與傳統媒體時代的公共利益、新聞價值取向聯系較弱，因而也被稱作“影子把關人”。[22]

(四)對象：從“想象的受眾”到“可測量的用戶”

議程設置理論的核心是從一個議程到另一個議程的“顯要性的轉移”。[23]基于算法技術的議程設置目的也在于重新連接用戶，實現議題“顯要性的轉移”。但傳統的議程設置以大眾媒體為主體，受眾為主要對象，其傳播具有較強的單向性，受眾需要什么、喜歡什么媒體并不清楚，受眾仍然處于大眾媒體的“想象”當中。而算法時代，大數據和算法的使用使得媒體平臺既能夠精準把握信息特征，而且能夠對用戶進行精準畫像。這意味著算法時代議程設置的對象從難以測量、無法進行畫像的整體受眾轉向了可以進行測量、能夠精準畫像的個體用戶。

(五)效果：從“整體效果”到“個體效果”

當用戶從作為整體的“想象的受眾”轉向作為個體的“可測量的用戶”時，基于用戶的新聞傳播就成為可能，以用戶為最終效果衡量指標的“用戶新聞學”就誕生了。[24]這意味著算法時代議程設置的效果從注重受眾的整體性認知轉向注重用戶的個性化信息獲取，即議程設置從為公眾整體設置議程，轉向為用戶個體設置議程。算法通過對個人信息的挖掘，了解個人對某類信息的偏好，進而在推薦過程中賦予這類信息以“高顯著性”和“高相關性”，由此實現信息與個人的精準適配。其中，從受眾到用戶的轉型是前提，技術變遷是手段，因人而異的效果是最終目的。

三、技術的規制：不同算法推薦模型對用戶議程的影響

算法絕非價值中立的技術，[25]綜合一些學者的研究，當前主流的算法推薦系統包括基于內容的推薦算法、基于協同過濾的推薦算法[26]、基于時序流行度的推薦算法，[27]基于關聯規則的推薦算法、基于效用的推薦算法和基于知識的推薦算法。[22]這些算法正在主導著智能時代的信息篩選機制，[28]而不同的算法推薦系統能夠通過影響內容篩選與呈現，進而影響用戶議程產生的效果。

(一)基于內容的算法推薦：興趣偏好與個人議程

基于內容的算法推薦是一種以用戶興趣為核心的推薦方式，它直接建立在用戶興趣與內容特征的相似度匹配上。其基本思想是推薦的信息有自身的獨特屬性，用戶對推薦的信息進行操作，就容易留下行為數據和歷史記錄，這些數據能夠體現用戶的個人興趣，算法可以基于用戶的個人興趣為其形成推薦列表。[27]具體來看，算法依據用戶以往對新聞的消費情況，首先對進入到平臺中的新聞進行特征、屬性上的抽取，為其制作標簽，以此來表示新聞的基本特征；再通過機器學習利用用戶過去的行為特征，如喜歡/不喜歡、瀏覽時間、時長、轉發、評論、收藏等來對用戶進行精準畫像，抽象出用戶特征；最后通過對新聞特征與用戶特征之間的關聯性進行信息適配，按照用戶可能的喜好程度進行排序，生成推薦列表推薦給用戶。這種推薦方式不依賴其他用戶的行為數據，但基于個人興趣推薦的信息也不可避免地阻礙了用戶獲取其他信息、對其他信息偶遇的可能性。[21]因此，一些新信息在算法平臺中難以實現冷啟動，也難以被算法呈現在用戶信息推薦列表中。

同時，基于內容的算法推薦系統還內嵌著平臺優先級算法，它決定了用戶能夠優先看到哪些平臺的信息。如Facebook為用戶呈現的信息流更傾向于優先呈現自己平臺上的視頻，而非YouTube等其他平臺的視頻。[29]今日頭條也在內容推薦中采用平臺優先級算法，其推送的內容更多產生于“頭條號”本身。根據燃財經(ID:rancaijing)分別在今日頭條新上線的搜索引擎和百度搜索上對諸如“保時捷女主”“臺風過境”“鴻蒙問世”“哪吒電影”及“知乎完成新一輪融資”等熱門信息進行搜索，發現頭條的搜索結果主要以今日頭條的內容為主，來源以新媒體居多；而百度搜索內容主要由百家號和外部網站組成。[30]可以看出，無論今日頭條還是百度，都在優先推薦自家平臺生產的內容。因此，無論是用戶的被動接受還是主動搜索，當用戶使用基于內容和平臺優先級的算法推薦平臺獲取信息時，就難以避免“信息繭房”效應，用戶也難以感知算法推薦的內容暗含的價值觀偏向。

(二)協同過濾算法推薦：群體需求與圈層議程

與基于用戶個體數據的內容推薦算法不同，協同過濾算法推薦充分利用了群體智慧，依賴大量其他用戶(鄰居用戶)的數據。其基本思想是首先為目標用戶尋找興趣相似的鄰居用戶，然后把鄰居用戶感興趣的內容推薦給目標用戶。[26]其基本原理是“物以類聚”和“人以群分”(見圖1、圖2)。[27]協同過濾算法推薦基于用戶的相似度、內容的共現度以及基于人口特征將用戶劃分為不同群體，為用戶推薦內容。它利用與目標用戶相似的用戶行為(評分、點擊、收藏、分享、點贊、轉發等)推斷目標用戶對特定產品的喜好程度，然后根據這種喜好程度進行評分降序排列，最終進行相應推薦。[31]例如，微信“看一看”就可以通過“朋友在看”為用戶推薦相關熱點信息，用戶能夠直觀看到哪些好友閱讀了哪些文章，容易形成微信好友這一群體對某一事件的共同認知與感受。這種推薦實質上是基于用戶所處同一興趣群體、同一圈層的推薦，因而在推薦效果上呈現出“圈層化效果”。因為具有相同興趣的用戶群對某一話題或議題更感興趣，用戶群中最普遍的興趣關注點將成為算法推薦中最大比例的推送內容，這些信息會被最大程度地凸顯。[32]根據這一原理，算法就將該群體感興趣的話題(議題)以外的其他議題排除在外，這也容易導致圈層化議程甚至圈層輿論的出現。

圖示：表示“喜歡”，表示“可能喜歡”

(三)時序流行度算法推薦：熱度導向與議程遮蔽

時效性是新聞信息的活力所在。基于內容的推薦和基于協同過濾的推薦都能提升推薦的精準度，但前者只考慮用戶興趣和愛好，后者重點考慮其他用戶對某一內容的評價，而較少考慮時間維度的信息。因此，將時間維度引入到算法推薦過程中，就形成了基于時序流行度的算法推薦系統。它能夠將單位時間的瞬時點擊率等動態特征作為考量因素，將特定時間窗口內流行度較高的新聞或信息按照最多點擊量、播放量、搜索量等指標進行排序并推薦給用戶。[27]時序流行度算法考慮到了信息的時效性，也考慮到了信息的熱度，因而能夠為用戶推送當前較熱的信息，而這種信息熱度、關注度與用戶的行為相關。[28]具體原理為：新聞熱度=初始熱度值+用戶交互產生的熱度值-隨時間衰減的熱度值(見圖3)。

圖3 時序流行度算法推薦原理

當一則新聞進入平臺數據庫后，算法系統會為其賦予一個初始的熱度值，該新聞就進入了推薦列表進行排序。隨著新聞不斷被用戶點擊、閱讀、評論、轉發、收藏，用戶交互所產生的熱度值就開始上升并增強新聞的熱度，隨著時間推進，熱度開始衰減。這其中，初始熱度值可以在算法中被賦予不同的權重，如娛樂類新聞權重比時政類新聞權重高，則娛樂類新聞初始熱度值較大，該新聞被推送的可能性就大。而用戶交互產生的熱度值也是一大變量，用戶對一則新聞的交互越多，則該新聞熱度值也越高，也就越容易被推送。但用戶交互產生的熱度值數據是可以被操縱的。在這種情況下，基于時序流行度的算法推薦容易在商業利潤的導向下，成為某些人牟利的工具。經由它呈現給公眾的某些社會圖景可能偏離甚至嚴重偏離客觀現實，[22]從而遮蔽了更重要的社會公共議題。例如，公安部“凈網2019”專項行動就打掉了“星援APP”這一流量造假平臺。該APP可以在短時間內通過刷高評論量、轉發量、點贊量等，實現信息熱度和關注度的提升，進而在算法推薦下為用戶設置議程。蔡徐坤與周杰倫之間的數據之戰中數據操縱現象凸顯：被質疑不做數據、沒有影響力的周杰倫粉絲在經過了16小時打榜奮戰后，最終讓沒有微博賬號的周杰倫登上微博熱搜榜2019年第29周排行榜首位，超越排名第二的蔡徐坤。筆者還于2019年8月16日14時左右在百度搜索引擎頁面的時事熱點信息推送中發現，其推薦的前15條熱點事件中排在第4、7、8、13、14、15位的都為娛樂新聞。而關于香港修例風波、中美貿易戰等央媒權威重點發布的議題，都沒有出現在百度推送的熱點中。可以看出，依賴時序流行度指標的算法，容易導致算法推薦走向“熱度導向”的誤區。[27]

(四)關聯規則與效用算法推薦：需求導向與議程固化

議程設置理論研究發現，需求導向與媒體議程的效果有相關性，受眾需求導向越高則受議程設置的影響越大?；陉P聯規則的算法和基于效用的算法都聚焦于用戶需求、用戶既有傾向和用戶滿意度，在用戶較高的需求導向下，基于關聯規則的推薦算法能夠通過隱性的信息推薦，增強用戶的既有議程。它能夠充分發揮大數據對相關性的發現能力，以關聯規則為基礎，通過對相關數據庫的挖掘，尋找不同物品在銷售、使用過程中的相關性，然后根據相關性來預測用戶的需求。[22]就用戶的信息接收而言，在這種算法推薦下還需要與其他類型的信息加以輔助。如，在搜索引擎的推薦系統中，一般會按照用戶搜索信息的關聯度進行排序，將關聯度較高的信息以排序方式呈現給用戶。在算法推薦平臺中，當用戶對某類信息需求度較高的時候，算法會推出相關的信息。當用戶接收到的信息具有某種特定價值觀和立場的時候，基于關聯規則的算法就傾向于為其推送與該立場和價值觀類似的其他相關信息，導致用戶固化、增強對某一事件的既有認知或者態度。

基于效用的推薦算法也具有固化用戶既有議程的傾向性，其核心理念是為每個用戶創建一個能夠涵蓋項目特征、使用戶滿意程度最大化的效用函數，該函數用以衡量消費者從消費既定的商品組合中所獲得滿足的程度。然后，算法通過計算不同項目的效用值，再把總效用值最高的項目推薦給用戶。[22]這意味著，當用戶在算法推薦平臺上表現出對某些信息“滿意”或“不滿意”的時候，算法平臺能夠根據用戶的反饋來計算最能滿足用戶需求的信息。而用戶在特定時間段內的需求是相對穩定的，對這種需求的滿足也能夠強化用戶的既定議程。

四、偏向與校正：算法推薦下用戶議程社會效果的雙重性

算法本身具有雙重性，算法推薦暗含著技術邏輯和商業邏輯所遵循的工具理性原則，因而算法推薦下的用戶議程具有其社會偏向性。如何發揮算法推薦對用戶議程的正面導向，就需要為其注入價值理性進行糾偏，實現“工具理性”和“價值理性”的統一。

(一)算法容易造成用戶議程與公眾議程的偏離，但也能以公共傳播理念進行校正

當前，算法時代不同個體和群體更容易形成不同的關注議題，這改變了以往大眾媒體為公眾設置統一的、同質化議程的局面，議程更加多元。算法在為用戶推薦具有價值立場、觀點、情緒的信息的同時，也無形中影響了用戶的立場和態度，造成價值觀的多元化。當算法推薦使高度個性化的用戶議程和多元價值觀成為可能時，容易導致與公共議程的偏離，引發不同用戶、不同群體之間的共識割裂。但同時，個人議程、群體議程和社會議程之間的貫通與融合也因技術的介入而具有了可能性。如學者高憲春就認為，當前個人議程與社群議程成為不可忽視的影響社會議程的重要因素。[9]因此，在算法時代，要凝聚社會共識，就需要樹立起公共傳播的理念，為統合不同個體和群體的議程提供支撐。在操作層面，平臺可以設置公共頻道，傳播公共信息，對具有公共價值的議題以較高的權重進行跨圈層推薦，為重構多元主體的社會共識提供條件。

(二)算法議程容易導致“信息繭房”，但也為凝聚社會共識提供了契機

“遮蔽現象構成了我們生存的基本現實”。[33]當技術(媒介)壟斷了我們的認識，技術(媒介)所提供的世界圖像就成為“真實”的圖像，而真正真實的世界被(技術)媒介提供的圖像所遮蔽。[34]在算法時代，這種遮蔽是由算法推薦系統在其黑箱化的操作系統下完成的。當我們越來越依賴于算法推薦，形成算法依賴，最終也導致算法對我們的控制。其中，“信息繭房”效應正是用戶自主選擇與算法推薦雙重作用的結果。因此，有學者將“信息繭房”界定為個人或群體在信息消費過程中因自身或外界的因素而形成的信息窄化和觀念極化現象。其中，外部因素主要是指算法推薦，而內部因素主要是用戶的自我選擇。[35]盡管算法推薦造成的“信息繭房”具有負面效應，但它對凝聚社會共識也具有積極作用。當“信息繭房”為公眾所普遍認識的時候，如何突破信息繭房就成為個體尋求與社會連接提供了內在動力，進而增強我們在全社會范圍內凝聚社會共識的緊迫感。[36]同時，在主流價值觀融入到算法推薦的信息流當中時，“信息繭房”效應恰恰是主流價值觀傳播與深入的有效途徑。因此，作為一種傳播效應的“信息繭房”發揮正面效應還是負面效應，主要取決于算法推薦何種信息以及用戶對信息的選擇。

(三)算法議程在增加輿論引導復雜性的同時，也為精準的輿論引導提供了可能

算法推薦下的用戶議程存在個體議程與圈層議程共存的現象，造成了輿論格局的復雜性：既有媒體議程所構建的輿論場，也有公眾議程所構建的輿論場，還有個體議程和圈層議程所形成的輿論場。盡管不同輿論場的訴求不同，增加了輿論引導的復雜性，但算法對輿論引導也提供了新的可能。例如，可以充分利用算法推薦數據采集、信息追蹤的功能，搜集網絡輿情并科學分析研判，了解民情、聽取民意、集中民智。[37]這就需要進一步優化算法，用主流價值觀駕馭算法，將公共價值和新聞價值等主流價值注入算法平臺中，在堅持以人民的利益為根本的基礎上，為用戶推送其感興趣和重要的公共議題；針對不同群體的信息偏好，推送相關內容進行輿論引導。同時，要增加公共信息傳播，打通不同圈層的信息傳播，發揮主流算法在引導輿論中的重要作用。

五、結 語

身處算法時代，算法類信息推薦平臺早已經成為我們獲取信息的重要途徑，也因如此，算法得以成為形塑用戶信息獲取、影響用戶信息接收與認知的重要機制。在算法的影響下，傳統議程設置也開始發生新的變化?；诓煌乃惴ǎ湓O置議程的機制與效果也存在不同之處。本文分析了不同算法對議程設置的影響，從技術維度對算法時代的議程設置進行了分析。同時，也從社會維度對算法推薦下的議程設置存在的社會層面效果進行了反思。筆者認為，算法推薦下的用戶議程與公共議程有偏離的一面，因而需要通過公共傳播理念對其進行校正；算法推薦下的用戶議程具有形成“信息繭房”的可能性，但也為凝聚社會共識提供了契機；算法議程在增加輿論引導復雜性的同時，也為精準的輿論引導提供了可能。算法作為具有高度工具理性的技術，其社會功能如何發揮，還需要我們通過價值理性的注入實現工具理性與價值理性的有機統一。