“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”模型*
——微博推薦流的運(yùn)作機(jī)制探析

—陳逸君—

近年來，Google、Facebook、微博和今日頭條等技術(shù)公司轉(zhuǎn)型而來的“平臺(tái)媒體”①（platish?ers）正在成為用戶獲取資訊的重要渠道。面對(duì)海量信息，即便平臺(tái)媒體也無法將全部?jī)?nèi)容提供給所有用戶，技術(shù)公司轉(zhuǎn)而通過算法完成對(duì)內(nèi)容的取舍與適配。然而，比起傳統(tǒng)媒體時(shí)代以記者編輯為代表的“把關(guān)人”嚴(yán)格遵循組織機(jī)構(gòu)一套章程標(biāo)準(zhǔn)②，平臺(tái)媒體對(duì)信息的處理更像一個(gè)不可接近的“黑箱”③，商業(yè)秘密保護(hù)和防止惡意入侵是此類科技公司拒絕公布“把關(guān)”過程的常見做法。④

如若不能及時(shí)打開“黑箱”，也就無法對(duì)平臺(tái)媒體的價(jià)值標(biāo)準(zhǔn)予以修正。目前，對(duì)Face?book、Twitter等西方平臺(tái)媒體的運(yùn)作機(jī)制，學(xué)界已積累了較為豐富的研究成果，而非西方語境下除少數(shù)面向今日頭條⑤、微博熱搜⑥的實(shí)證分析外，對(duì)平臺(tái)媒體的解讀大多基于主觀判斷，較少采用量化或田野調(diào)查的方式進(jìn)行驗(yàn)證。本文選取微博“推薦流”作為平臺(tái)媒體的代表，通過98名微博活躍用戶的近10萬條數(shù)據(jù)結(jié)合他們的問卷調(diào)查結(jié)果，揭示微博推薦流的核心運(yùn)作機(jī)制。微博是中國(guó)社交媒體的超級(jí)平臺(tái)之一，2021年微博月活躍用戶達(dá)5.73億，日活躍用戶2.49億⑦，網(wǎng)民通過微博獲取新聞的比例達(dá)35.6%⑧，高于新聞客戶端獲取新聞的比例。作為中國(guó)輿論風(fēng)向標(biāo)的社交媒體，微博引入內(nèi)容推薦的時(shí)間較早，其算法核心產(chǎn)品——微博“推薦流”，在經(jīng)歷數(shù)次代碼迭代后也相對(duì)走向成熟。

一、算法推斷：搭建從用戶興趣到內(nèi)容呈現(xiàn)的新路徑

如今人們身處高度可選擇的媒介環(huán)境之中，用戶擁有自由獲取感興趣內(nèi)容的權(quán)利。相關(guān)研究也證明，興趣主導(dǎo)了用戶的信息選擇⑨，網(wǎng)絡(luò)化媒介為用戶搭建起一個(gè)“興趣決定內(nèi)容”的信息世界（見圖1的“直接模型”部分）。

圖1 “用戶興趣—內(nèi)容呈現(xiàn)”的直接模型和“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”的間接模型

隨著平臺(tái)媒體在訊息分配過程中占據(jù)主導(dǎo)地位，不具備預(yù)先獲取用戶喜好能力的平臺(tái)媒體只能依托算法根據(jù)各類可挖掘、可計(jì)算和可測(cè)量的“數(shù)字痕跡”（digital trace data）對(duì)用戶興趣作判斷。筆者將上述環(huán)節(jié)稱為算法推斷，并假設(shè)算法推斷扮演了介于用戶興趣與內(nèi)容呈現(xiàn)之間的角色。據(jù)此，構(gòu)建“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”的間接模型，用戶從原來“主動(dòng)獲取感興趣內(nèi)容”變?yōu)楸粍?dòng)接收由“算法推斷用戶可能感興趣的內(nèi)容”（見圖1中“間接模型”部分）。

傳統(tǒng)觀點(diǎn)認(rèn)為，在信息自治的環(huán)境中，個(gè)人選擇對(duì)內(nèi)容呈現(xiàn)起決定作用，因此用戶對(duì)什么感興趣就會(huì)獲取怎樣的內(nèi)容。平臺(tái)媒體打破這一格局，伴隨算法推斷過程的介入，用戶興趣不再由用戶的天然屬性決定，而是外化為轉(zhuǎn)評(píng)贊、停留時(shí)長(zhǎng)等一系列可能被算法標(biāo)記為有效計(jì)數(shù)的表征向量。那么此時(shí)算法判斷的用戶興趣與用戶的真實(shí)興趣是否保持一致？如不一致，用戶興趣與算法推斷誰決定了內(nèi)容推薦？回答上述問題是“開箱”平臺(tái)媒體運(yùn)作機(jī)制的前提。

二、算法推斷的影響因素

根據(jù)間接模型假設(shè)，決定內(nèi)容呈現(xiàn)的未必是用戶興趣，而是算法推斷的用戶興趣，那么又有哪些因素決定了算法推斷？

用戶的發(fā)布/轉(zhuǎn)發(fā)、收藏和點(diǎn)贊行為數(shù)據(jù)是后臺(tái)最易獲取且可能被解讀為用戶對(duì)該內(nèi)容感興趣的信號(hào)。本文將上述用戶產(chǎn)生的行為數(shù)據(jù)統(tǒng)稱為用戶自主行為，并猜測(cè)用戶自主行為是算法推斷用戶興趣的重要依據(jù)。

大量研究表明，個(gè)體傾向與那些具有相同社會(huì)人口特征⑩、行為/價(jià)值觀的人交往并保持聯(lián)系。根據(jù)用戶好友的興趣反推用戶興趣，這一思路已經(jīng)證實(shí)被多個(gè)平臺(tái)媒體所采納，如一項(xiàng)針對(duì)Facebook公開專利的文本分析顯示，其系統(tǒng)會(huì)從用戶朋友發(fā)布的動(dòng)態(tài)以及朋友的興趣出發(fā)推斷用戶興趣所在。同樣作為社交媒體的微博，曾經(jīng)在多個(gè)公開場(chǎng)合強(qiáng)調(diào)社交關(guān)系對(duì)于算法推薦的重要性。微博AI Lab資深算法專家張俊林表示，“親密的社交關(guān)系往往蘊(yùn)涵著潛在的興趣關(guān)聯(lián)”。本研究猜測(cè)社交關(guān)系是算法推斷的另一個(gè)重要依據(jù)。

綜上，筆者搭建了微博“推薦流”運(yùn)作機(jī)制的完整模型（如圖2所示）。首先是“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”部分（H1—H3），由于用戶通過微博展現(xiàn)自我興趣的空間有限、算法存在錯(cuò)誤描繪用戶肖像的幾率，可能出現(xiàn)用戶的真實(shí)興趣與算法推斷的用戶興趣不符的情況，因此提出：

圖2 “用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”完整模型

H1.用戶的真實(shí)興趣與算法推斷的用戶興趣并非在所有興趣領(lǐng)域都呈現(xiàn)顯著相關(guān)。

根據(jù)間接模型，算法參照“數(shù)字痕跡”對(duì)用戶興趣作判斷后，“推薦流”依托算法推斷而非用戶的真實(shí)興趣進(jìn)行內(nèi)容推薦，因此提出：

H2.算法推斷某領(lǐng)域用戶興趣與某領(lǐng)域的內(nèi)容呈現(xiàn)存在顯著相關(guān)性；

H3.用戶真實(shí)興趣與內(nèi)容推薦并非在所有興趣領(lǐng)域都呈現(xiàn)顯著相關(guān)性。

其次是算法推斷的影響因素部分（H4—H6），猜測(cè)影響算法推斷的第一個(gè)因素是用戶自主行為，提出：

H4.用戶對(duì)某領(lǐng)域內(nèi)容進(jìn)行的發(fā)布/轉(zhuǎn)發(fā)、點(diǎn)贊和收藏，與算法推斷用戶對(duì)某領(lǐng)域的興趣存在顯著相關(guān)性。

猜測(cè)第二個(gè)影響因素是“社交關(guān)系”。格蘭諾維特（Granovetter）將社交關(guān)系劃分為“強(qiáng)關(guān)系”和“弱關(guān)系”，認(rèn)為用戶的關(guān)系強(qiáng)度體現(xiàn)在用戶間的親密程度和接觸頻率。本研究將微博中與用戶相互關(guān)注的好友視作“強(qiáng)關(guān)系”，與用戶呈現(xiàn)單向關(guān)注的大V則更符合“弱關(guān)系”，同時(shí)考察“強(qiáng)關(guān)系”與“弱關(guān)系”對(duì)算法推斷的影響提出研究假設(shè)：

H5.與用戶呈“弱關(guān)系”的人對(duì)某領(lǐng)域的興趣情況，會(huì)顯著影響算法推斷該用戶對(duì)相關(guān)領(lǐng)域的興趣；

H6.與用戶呈“強(qiáng)關(guān)系”的人對(duì)某領(lǐng)域的興趣情況，會(huì)顯著影響算法推斷該用戶對(duì)相關(guān)領(lǐng)域的興趣。

三、研究方法

（一）數(shù)據(jù)與樣本描述

本研究采用深度訪談、問卷調(diào)查與抓取98名微博用戶的99476條數(shù)據(jù)相結(jié)合的方式，共同揭示微博推薦流的運(yùn)作機(jī)制。出于數(shù)據(jù)隱私保護(hù)，微博不會(huì)向他人或機(jī)構(gòu)展示任何用戶的后臺(tái)數(shù)據(jù)，盡管用戶發(fā)布的內(nèi)容、關(guān)注列表、點(diǎn)贊等信息作為公開數(shù)據(jù)可被直接獲取，但本研究中最為關(guān)鍵的內(nèi)容呈現(xiàn)即微博為用戶推薦了什么是除用戶外，任何人都無法獲取的。面對(duì)內(nèi)容呈現(xiàn)的采集困難，有學(xué)者采用問卷調(diào)查通過受訪者“自我報(bào)告”（self?report）過去一周在平臺(tái)媒體上看到有關(guān)某領(lǐng)域話題的頻率（1＝從不，5＝經(jīng)常）得到內(nèi)容推薦的情況。鑒于不同受訪者對(duì)頻率的認(rèn)知差異，這一形式易受主觀因素干擾。本研究在征得用戶知情同意的基礎(chǔ)上獲取他們的微博賬號(hào)及密碼，經(jīng)由用戶注冊(cè)時(shí)綁定的手機(jī)驗(yàn)證后登錄，通過八爪魚抓取“推薦流”的實(shí)時(shí)內(nèi)容，較好地避免了用戶主觀作答帶來的不準(zhǔn)確性。

自2020年10月至11月，筆者發(fā)動(dòng)親友并依托“滾雪球”的方式共征集108個(gè)微博賬號(hào)，在排除非活躍用戶后得到98名活躍用戶的微博賬號(hào)使用權(quán)（n＝98）。分別于10月31日、11月1日、11月28日（三日均無重大事件，排除該時(shí)間段內(nèi)微博集中推薦某類特定內(nèi)容）登錄賬號(hào)，并對(duì)每個(gè)賬號(hào)抓取包括：推薦廣告（不少于50條）、熱門推薦（不少于400條）、推薦關(guān)注的人列表（不少于100位）、轉(zhuǎn)發(fā)/發(fā)布的微博（全部或不少于100條）、點(diǎn)贊（全部或不少于100條）、收藏（全部或不少于100條）和關(guān)注的人所發(fā)布的微博（不少于100條）。98個(gè)賬號(hào)共抓取廣告4971條、熱門推薦38755條、關(guān)注的人15822位（其中與用戶呈現(xiàn)“弱關(guān)系”11352人）、轉(zhuǎn)發(fā)/發(fā)布的微博9561條、點(diǎn)贊4999條、收藏2569條、關(guān)注的人發(fā)布的微博11447條，共獲得有效數(shù)據(jù)99476條。此外，所有用戶完成一份問卷星平臺(tái)的調(diào)查問卷。

在“推薦流”中大部分推薦內(nèi)容和博主的興趣領(lǐng)域都被微博打上了自帶標(biāo)簽，筆者對(duì)微博中所有出現(xiàn)的標(biāo)簽進(jìn)行記錄，一共52類興趣標(biāo)簽，按相同主題合并同類項(xiàng)后劃分為9大類別（1＝新聞消息類，2＝金融科技類，3＝教育衛(wèi)生類，4＝人文藝術(shù)類，5＝娛樂明星類，6＝娛樂產(chǎn)業(yè)類，7＝體育競(jìng)技類，8＝日常生活類，9＝時(shí)尚美妝類）（見表1）。參照內(nèi)容編碼表對(duì)所抓取的98名用戶數(shù)據(jù)進(jìn)行編碼后，按四分位數(shù)法將連續(xù)數(shù)據(jù)轉(zhuǎn)換為等級(jí)資料，通過有序Lo?gistic回歸分析證明各變量間的關(guān)系。

表1 微博內(nèi)容編碼表

（二）測(cè)量

1.問卷部分

（1）人口統(tǒng)計(jì)學(xué)

本研究調(diào)查樣本來自98名微博用戶，受訪者中男性占48%，女性占52%。受訪者的年齡段集中于26—30歲（SD＝0.0774），受教育程度中位值為“碩士”。受訪者主要為在校學(xué)生（37.7%）、專業(yè)技術(shù)人員（20.4%）和企業(yè)管理人員（19.3%）。

（2）用戶興趣

為測(cè)量用戶對(duì)某領(lǐng)域的真實(shí)興趣，調(diào)查問卷要求受訪者對(duì)時(shí)事、社會(huì)、財(cái)經(jīng)等不同領(lǐng)域的興趣進(jìn)行評(píng)分（采用五級(jí)量表測(cè)量，1＝完全不感興趣，5＝非常感興趣）。參照編碼表將問卷中涉及的領(lǐng)域合并為9個(gè)類別，按四分位數(shù)法換為等級(jí)資料，從而得到98名用戶對(duì)9個(gè)類別的真實(shí)興趣情況。9個(gè)類別問卷Cronbach′sα系數(shù)值分別為0.82，0.76，0.68，0.84，0.67，0.81，0.75，0.82，0.84及總體量表的Cronbach′sα系數(shù)值為0.94。

2.用戶數(shù)據(jù)部分

（1）算法推斷

算法推斷的過程與結(jié)果被嚴(yán)格保密，雖然無法從科技公司手中獲取后臺(tái)為不同用戶打上的興趣標(biāo)簽，但我們可以從其他途徑得到啟發(fā)。一項(xiàng)公開專利指出，為幫助廣告商精準(zhǔn)尋求潛在買主，擴(kuò)大社交媒體的商業(yè)價(jià)值，微博主要根據(jù)當(dāng)前系統(tǒng)為用戶標(biāo)識(shí)的興趣標(biāo)簽來確定他們的廣告主題。微博會(huì)把算法推斷的結(jié)果用于廣告投放，因此通過觀察用戶接收的廣告類型，可逆向判斷該用戶被后臺(tái)打上了什么興趣標(biāo)簽。抓取用戶的推薦內(nèi)容并從中篩選出廣告部分進(jìn)行分類。

除了考察廣告，“可能感興趣的人”（后改名為“推薦關(guān)注”）是反映算法推斷用戶興趣的另一途徑。由于其推薦依據(jù)是“用戶可能感興趣”，因此通過觀察“推薦關(guān)注”的類型，也可逆向判斷該用戶被后臺(tái)打上什么興趣標(biāo)簽。抓取每位用戶的“推薦關(guān)注”并進(jìn)行分類。

（2）內(nèi)容呈現(xiàn)

內(nèi)容推薦是微博“推薦流”在某個(gè)時(shí)刻呈現(xiàn)給用戶的內(nèi)容，抓取用戶推薦流中的內(nèi)容并進(jìn)行分類。

（3）用戶自主行為

微博可直接獲取的用戶自主行為包括：點(diǎn)贊、收藏和該用戶發(fā)布/轉(zhuǎn)發(fā)的內(nèi)容，分別來自微博中“我的贊”“我的收藏”和“我的微博”。抓取上述內(nèi)容進(jìn)行分類。

（4）社交關(guān)系

本研究將與用戶相互關(guān)注的人定義為與用戶存在“強(qiáng)關(guān)系”。筆者在對(duì)98名用戶匿名編號(hào)后隨機(jī)抽取13名用戶，登錄其微博賬號(hào)并手動(dòng)記錄每一位與該用戶存在相互關(guān)注關(guān)系的好友的興趣領(lǐng)域。微博會(huì)自動(dòng)根據(jù)用戶好友的關(guān)注列表生成一張他的興趣領(lǐng)域分布圖（見圖3）。對(duì)每位用戶所有好友的興趣領(lǐng)域進(jìn)行分類統(tǒng)計(jì)。

圖3 微博為每位用戶好友標(biāo)識(shí)的興趣領(lǐng)域

接著，筆者抓取每位用戶的“關(guān)注的人”所發(fā)布的微博，手動(dòng)排除非大V賬號(hào)（轉(zhuǎn)評(píng)贊數(shù)量均＜5，粉絲數(shù)量＜5000，且經(jīng)驗(yàn)證不帶大V認(rèn)證的用戶）后，獲取的就是與該用戶存在“弱關(guān)系”的博主發(fā)布的內(nèi)容，同樣對(duì)其進(jìn)行分類處理。

四、研究結(jié)果

本研究旨在探討微博“推薦流”的運(yùn)作機(jī)制，并猜測(cè)它與互聯(lián)網(wǎng)為用戶搭建的“興趣決定內(nèi)容”這一高度自由的信息環(huán)境不同，用戶從原來主動(dòng)獲取感興趣的內(nèi)容變?yōu)楸粍?dòng)接收由算法推斷用戶可能感興趣的內(nèi)容。鑒于此，筆者在“用戶興趣—內(nèi)容呈現(xiàn)”這一直接模型的基礎(chǔ)上，建立了“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”的間接模型。本文首先對(duì)間接模型的猜想進(jìn)行論證，其次探索哪些因素會(huì)對(duì)算法推斷產(chǎn)生影響。

（一）“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”部分的論證

1.用戶興趣與內(nèi)容呈現(xiàn)

問卷調(diào)查顯示，41.8%的受訪者表示“微博經(jīng)常會(huì)推送一些用戶不感興趣的內(nèi)容”。從受訪者的主觀作答中，可明顯感知“用戶興趣”與“內(nèi)容呈現(xiàn)”之間存在斷裂。筆者以“用戶興趣”（即通過問卷獲取的用戶真實(shí)興趣）為自變量，“熱門推薦”作為因變量進(jìn)行Logistic回歸分析發(fā)現(xiàn)：9個(gè)類別中只有金融科技類（β＝0.690，p＜0.001）、娛樂明星類（β＝0.945，p＝0.009）和體育競(jìng)技類（β＝0.912，p＜0.001）的用戶興趣與內(nèi)容呈現(xiàn)存在顯著正相關(guān)性，其余6類的用戶興趣均與內(nèi)容呈現(xiàn)之間不存在顯著相關(guān)關(guān)系（如表2所示）。用戶對(duì)某領(lǐng)域的真實(shí)興趣與該領(lǐng)域的內(nèi)容呈現(xiàn)不存在必然聯(lián)系，H3得到驗(yàn)證。

2.用戶興趣與算法推斷

如前所述，算法推斷的測(cè)量方式有兩種：一是根據(jù)用戶的廣告推送類別推測(cè)算法對(duì)用戶興趣的判斷，二是根據(jù)微博“推薦關(guān)注”的分類來反映算法對(duì)用戶興趣的判斷。筆者對(duì)這兩種途徑都進(jìn)行了檢驗(yàn)。在廣告抓取過程中我們發(fā)現(xiàn)：第一，同一用戶的廣告內(nèi)容存在大量重復(fù)，去重后每位用戶收到的廣告種類有限，現(xiàn)有廣告類型不能全面地反映用戶特征；第二，同一時(shí)段內(nèi)不同用戶都收到如“鉑金鉆戒”“蘭蔻粉水”“防脫生發(fā)”等無差別廣告投放，與原先設(shè)想的精準(zhǔn)投放有所出入。

推薦流的非個(gè)性化廣告投放也得到了多數(shù)受訪者的驗(yàn)證。問卷調(diào)查顯示，63.3%的受訪者表示微博廣告推送不太符合個(gè)人需求。統(tǒng)計(jì)結(jié)果也佐證了這一觀點(diǎn)，以“用戶興趣”為自變量，受訪者接收的廣告作為代表算法推斷的因變量進(jìn)行Logistic回歸分析發(fā)現(xiàn)：在用戶接收的廣告類型中，除金融科技類（β＝0.563，p＝0.003）和時(shí)尚美妝類（β＝－1.461，p＝0.007）外，其他7個(gè)類別的廣告推送均與用戶的真實(shí)興趣無顯著相關(guān)性。其中時(shí)尚美妝類的回歸系數(shù)為負(fù)，說明即便對(duì)時(shí)尚美妝不感興趣的用戶，也同樣可能會(huì)被投放化妝品、潮流服飾等廣告，消費(fèi)單品類廣告已經(jīng)成為推薦流中的普遍現(xiàn)象（見表3）。上述結(jié)果說明，用戶的真實(shí)興趣與廣告推送的關(guān)聯(lián)性不強(qiáng)。

表3 有序Logistic回歸：用戶興趣與算法推斷

為何會(huì)出現(xiàn)這一現(xiàn)象？在對(duì)新浪首席信息官王巍的訪談中，他承認(rèn)“微博存在廣告競(jìng)價(jià)”（2020年10月28日），廣告的投放量與廣告商的投入密切相關(guān)，這是造成無差別廣告的重要原因之一。更微妙的是，2019年微博向美國(guó)證券交易委員會(huì)遞交的財(cái)報(bào)顯示，阿里巴巴目前作為微博的第二大股東，持股30.2%且擁有15.8%的投票權(quán)。因此不排除具有高度話語權(quán)的阿里系在廣告投放過程中對(duì)微博施壓。

一方面是微博“推薦流”并未完全根據(jù)用戶特征來確定廣告主題，另一方面目前所能收集到的廣告類型十分有限，難以描繪用戶完整的興趣維度。鑒于上述原因，我們認(rèn)為用戶的廣告分類并不適用于衡量算法推斷，因此在本研究中筆者以“推薦關(guān)注”的分類情況作為反映算法推斷的變量。“推薦關(guān)注的人”本質(zhì)上就是基于算法推斷的用戶興趣的結(jié)果，王巍也承認(rèn)“用戶（興趣）標(biāo)簽是作為‘推薦關(guān)注’最為重要的依據(jù)（2020年12月15日）”。以用戶興趣為自變量，算法推斷（推薦關(guān)注的人）作為因變量進(jìn)行Logistic回歸分析后發(fā)現(xiàn)：只有在體育競(jìng)技類（β＝1.020，p＜0.001）和時(shí)尚美妝類（β＝0.735，p＝0.022）中用戶興趣與算法推斷之間存在顯著正相關(guān)關(guān)系，其余7個(gè)類別均未表現(xiàn)出顯著相關(guān)性（見表3）。這一結(jié)果說明，用戶的真實(shí)興趣與算法推斷的用戶興趣之間存在一定的“間隙”，算法在判斷用戶偏好時(shí)可能出現(xiàn)誤判，H1得到驗(yàn)證。

為何會(huì)產(chǎn)生誤判？筆者根據(jù)問卷梳理了一些可能造成用戶真實(shí)興趣與算法推斷用戶興趣差異的原因：人情面子（51.9%的受訪者表示，更傾向?yàn)g覽或?yàn)椤芭c自己密切相關(guān)的人，如親人或好友發(fā)布的微博”點(diǎn)贊）、微博的類型（54.1%的受訪者對(duì)“娛樂八卦類的軟資訊都不太點(diǎn)贊”；43.9%的受訪者在看到體現(xiàn)社會(huì)價(jià)值、人生意義的微博時(shí)會(huì)轉(zhuǎn)發(fā)點(diǎn)贊）和微博的實(shí)際效用（34.7%的受訪者表示“看到教育培訓(xùn)相關(guān)的資訊會(huì)瀏覽收藏，以更好地應(yīng)對(duì)升學(xué)和職場(chǎng)”；39.8%的受訪者“會(huì)收藏深度好文以增加談資”）都可能成為自身興趣之外，用戶轉(zhuǎn)評(píng)贊等行為產(chǎn)生的原因，而正是通過“解讀”這些行為，微博對(duì)用戶興趣的判斷產(chǎn)生了偏差。

3.算法推斷與內(nèi)容呈現(xiàn)

在對(duì)算法推斷和內(nèi)容呈現(xiàn)進(jìn)行Logistic回歸分析后發(fā)現(xiàn)：所有9個(gè)類別即新聞消息類（β＝0.422，p＜0.001）、金融科技類（β＝0.487，p＜0.001）、教育衛(wèi)生類（β＝0.425，p＜0.001）、人文藝術(shù)類（β＝0.331，p＝0.007）、娛樂明星類（β＝0.523，p＜0.001）、娛樂產(chǎn)業(yè)類（β＝0.407，p＝0.001）、體育競(jìng)技類（β＝0.859，p＜0.001）、日常生活類（β＝0.616，p＝0.002）和時(shí)尚美妝類（β＝1.032，p＜0.001）的算法推斷均與內(nèi)容呈現(xiàn)之間存在顯著正相關(guān)關(guān)系（見表2），提示算法一旦判斷用戶對(duì)某領(lǐng)域感興趣，那么用戶將看到更多有關(guān)該領(lǐng)域的內(nèi)容推薦，H2得到驗(yàn)證。

綜上，筆者搭建了微博“推薦流”的“用戶興趣—算法推斷—內(nèi)容呈現(xiàn)”間接模型：用戶的真實(shí)興趣與算法推斷的用戶興趣之間存在“間隙”（H1成立），算法推斷某領(lǐng)域用戶的興趣與某領(lǐng)域的內(nèi)容呈現(xiàn)存在顯著正相關(guān)性（H2成立），用戶的真實(shí)興趣與內(nèi)容呈現(xiàn)不存在必然聯(lián)系（H3成立）。該模型說明，“推薦流”打破了“興趣決定內(nèi)容”這一傳統(tǒng)認(rèn)知，最終決定內(nèi)容推薦的不是用戶的真實(shí)興趣，而是算法所推斷的用戶興趣，并且“微博認(rèn)識(shí)的你”與“你認(rèn)識(shí)的你”之間存在差異。

（二）算法推斷影響因素部分的論證

以算法推斷為因變量，發(fā)布/轉(zhuǎn)發(fā)、收藏、點(diǎn)贊三種用戶自主行為作為自變量進(jìn)行Logistic回歸分析發(fā)現(xiàn)：所有9個(gè)類別中，除日常生活類（p＝0.447）外，其他8個(gè)類別即新聞消息類（p＝0.003）、金融科技類（p＝0.001）、教育衛(wèi)生類（p＜0.001）、人文藝術(shù)類（p＝0.001）、娛樂明星類（p＜0.001）、娛樂產(chǎn)業(yè)類（p＝0.003）、體育競(jìng)技類（p＜0.001）和時(shí)尚美妝類（p＝0.001）的用戶自主行為均與算法推斷呈現(xiàn)顯著相關(guān)性（見表4），提示用戶對(duì)某領(lǐng)域的發(fā)布/轉(zhuǎn)發(fā)、收藏和點(diǎn)贊行為會(huì)影響算法判斷用戶對(duì)該領(lǐng)域的興趣，證明用戶自主行為是微博“推薦流”進(jìn)行用戶興趣推斷的重要依據(jù)，H4得到驗(yàn)證。

以“弱關(guān)系”為自變量，“算法推斷”作為因變量進(jìn)行Logistic回歸分析發(fā)現(xiàn)：在與用戶呈現(xiàn)“弱關(guān)系”的人發(fā)布的微博內(nèi)容中，所有9個(gè)類別即新聞消息類（β＝0.811，p＜0.001）、金融科技類（β＝0.527，p＜0.001）、教育衛(wèi)生類（β＝0.395，p＝0.003）、人文藝術(shù)類（β＝0.415，p＝0.001）、娛樂明星類（β＝0.475，p＝0.011）、娛樂產(chǎn)業(yè)類（β＝0.646，p＜0.001）、體育競(jìng)技類（β＝1.075，p＜0.001）、日常生活類（β＝0.467，p＝0.002）和時(shí)尚美妝類（β＝0.635，p＜0.001）與算法推斷均存在顯著正相關(guān)性（如表4所示）。可見當(dāng)用戶關(guān)注的大V發(fā)布越多有關(guān)某領(lǐng)域的內(nèi)容時(shí)，算法越傾向于判斷該用戶也會(huì)對(duì)這一領(lǐng)域感興趣，由此證明“弱關(guān)系”也是微博推薦流進(jìn)行用戶興趣推斷的重要依據(jù)，H5得到驗(yàn)證。

表4 有序Logistic回歸：用戶自主行為、弱關(guān)系與算法推斷

最后考察“強(qiáng)關(guān)系”對(duì)算法推斷的影響。在對(duì)98名用戶進(jìn)行匿名編號(hào)后，隨機(jī)抽取其中13名作為樣本（編號(hào)：11、26、27、28、30、31、32、39、41、42、46、51、53）。記錄13個(gè)賬號(hào)中每一位與用戶存在“相互關(guān)注”的好友的興趣領(lǐng)域。取每行頻率最高的類別，組成該用戶所有好友最感興趣的項(xiàng)目列表。根據(jù)編碼表將項(xiàng)目合并同類項(xiàng)，得到該用戶所有好友在9個(gè)類別中最感興趣的項(xiàng)目列表。重復(fù)此操作，獲得13名用戶的所有好友在9個(gè)類別中最感興趣的項(xiàng)目情況并將其百分比化（如表5所示）。

表5 用戶好友的最感興趣項(xiàng)目百分比統(tǒng)計(jì)表（%）

將用戶好友最感興趣的項(xiàng)目分類結(jié)果與算法推斷進(jìn)行相關(guān)性分析，結(jié)果顯示：在與用戶呈現(xiàn)“強(qiáng)關(guān)系”的人所最感興趣的項(xiàng)目類別中，大部分類別與算法推斷無顯著相關(guān)性，只有人文藝術(shù)類（r＝0.71，p＝0.007）、娛樂明星類（r＝0.63，p＝0.022）和時(shí)尚美妝類（r＝0.71，p＝0.006）的用戶好友最感興趣的項(xiàng)目與算法推斷存在顯著正相關(guān)關(guān)系。此外，娛樂產(chǎn)業(yè)類（r＝－0.56，p＝0.048）中的用戶好友興趣與算法推斷呈現(xiàn)顯著負(fù)相關(guān)關(guān)系，說明即便用戶好友對(duì)娛樂產(chǎn)業(yè)不感興趣，系統(tǒng)仍然可能判定該用戶對(duì)娛樂產(chǎn)業(yè)感興趣（如圖4所示）。可見，用戶好友的興趣與算法推斷僅呈現(xiàn)部分相關(guān)性，H6不成立。

圖4 用戶好友（強(qiáng)關(guān)系）最感興趣類別與算法推斷的相關(guān)性分析

五、總結(jié)

本研究旨在考察微博“推薦流”的運(yùn)作機(jī)制，在明確提出算法推斷這一中間步驟的同時(shí)，對(duì)影響算法推斷的各類因素進(jìn)行了探究。根據(jù)分析結(jié)果可知。第一，微博“推薦流”打破了“興趣決定內(nèi)容”這一傳統(tǒng)認(rèn)知，決定內(nèi)容推薦的不是用戶的真實(shí)興趣，而是算法所推斷的用戶興趣。算法在判斷用戶偏好時(shí)可能出現(xiàn)誤判，“微博認(rèn)識(shí)的你”與“真實(shí)的你”之間存在差異。

第二，算法推斷作為影響推薦流內(nèi)容呈現(xiàn)的核心要素，同時(shí)受到社交關(guān)系和用戶自主行為的影響。值得注意的是，在社交關(guān)系維度中與用戶呈現(xiàn)“強(qiáng)關(guān)系”的親友群組對(duì)于內(nèi)容類別的喜好并未顯著地影響算法推斷，相反由大V構(gòu)成的“弱關(guān)系”群組成為決定微博推薦流如何判定用戶興趣的關(guān)鍵。在微博眼中，那些具有較高領(lǐng)域權(quán)威的明星、名人、機(jī)構(gòu)企業(yè)比起與用戶關(guān)系密切的好友或大部分普通用戶而言，更能影響甚至最終主導(dǎo)用戶所接收到的內(nèi)容。當(dāng)領(lǐng)域權(quán)威成為用戶獲取內(nèi)容推薦的重要參考指標(biāo)時(shí)，“身份”“資本”和“權(quán)力”等現(xiàn)實(shí)社會(huì)中的劃分方式，在平臺(tái)媒體中被重新加以實(shí)踐。這種基于“關(guān)鍵少數(shù)法則”（vital few rule）所進(jìn)行的算法推斷可能會(huì)進(jìn)一步造成網(wǎng)絡(luò)空間中對(duì)弱小聲音、新聲音的抹除。

需指出，由于微博賬號(hào)的獲取難度較大，本研究以98名用戶和抽樣的“強(qiáng)關(guān)系”作為研究樣本，研究結(jié)果的代表性可能有限，更為確切的結(jié)論需要更大規(guī)模的樣本予以支撐。

注釋：

① Glick，J.Rise of the Platishers.http://www.recode.net/2014/2/7/11623214/rise?of?the?platishers.2014－2－7.

② Gieber，W.News Is What Newspapermen Make It.In A.Lewis＆D.M.White，（Eds.），People，Society and Mass Communication.New York：The Free Press.1964.pp.160－172.

③ Diakopoulos，N.Algorithmic Accountability Reporting：On the Investigation of Black Boxes.Tow Center for Digital Journalism.https://academiccom?mons.columbia.edu/doi/10.7916/D8ZK5TW2.2014－2－12.

④ Pasquale，F(xiàn).A.Restoring Transparency to Automated Authority.Journal on Telecommunications and High Technology Law，vol.9，2011.pp.235－256.

⑤ 王茜：《打開算法分發(fā)的“黑箱”——基于今日頭條新聞推送的量化研究》，《新聞?dòng)浾摺罚?017年第9期，第7－14頁。

⑥ 王茜：《批判算法研究視角下微博“熱搜”的把關(guān)標(biāo)準(zhǔn)考察》，《國(guó)際新聞界》，2020年第7期，第26－48頁。

⑦ 每日經(jīng)濟(jì)新聞：《微博發(fā)布Q4及全年業(yè)績(jī)：2021營(yíng)收22.6億美元 同比增長(zhǎng)34%》。https://weibo.com/ttarticle/p/show？id＝230940474 3007546245214.2022年3月3日。

⑧ 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心：《2016年中國(guó)互聯(lián)網(wǎng)新聞市場(chǎng)研究報(bào)告》，http://www.cac.gov.cn/2017－01/12/c＿1121534556.htm.2017年1月12日。

⑨ Str?mb?ck，J.，Djerf－Pierre，M.，Shehata，A.The Dynamics of Political Interest and Newsmedia Consumption：ALongitudinal Perspective.International Journal of Public OpinionResearch，vol.25，no.4，2013.pp.414－435.

⑩ McPherson，M.，Smith?Lovin，L.，Cook，J.M.Birds of a Feather：Homophily in Social Networks.Annual Review of Sociology，vol.27，no.1，2001.pp.415－444.