社交的延伸：新聞推薦算法的進化與反思

于嚴舒 王鵬

摘要：文章應用保羅·萊文森的媒介補償理論，站在社交補償的視角，發現算法推薦系統在不同時期以不同的媒介技術融入社交媒體，作為個體在線社交的橋梁，并在一定程度上對個體的社交進行補償。文章采用文獻分析法與歷史觀察法，對新聞推薦算法的進化路程進行回溯與歸納得出：在算法1.0時代，基于內容的推薦算法，對用戶的社交能力完善進行生理上的補償；在算法2.0時代，基于協同過濾的算法，對用戶的社交孤獨趨避進行心理上的補償；在算法3.0時代，基于隱私保護的推薦算法，可以對用戶的社交安全焦慮進行防御型補償。文章以技術迭代為主要邏輯，闡述算法在技術迭代中對自身進行補償，探討算法在進化過程中是如何對用戶的社交進行補償的，并對新聞推薦算法進行理論上的補充。

關鍵詞：算法進化；媒介補償；社交延伸；內容推薦；協同過濾；隱私保護

中圖分類號：G206 文獻標志碼：A 文章編號：1674-8883（2023）01-0015-04

一、引言

21世紀是信息化時代，每天都會產生海量信息，這造成了嚴重的信息過載與信息爆炸問題。學者詹姆斯·格雷克認為，信息負載和信息處理之間的關系，在坐標軸中呈現出一個倒寫“U”形的曲線。信息數量在人類信息處理范圍內是有利于信息傳播以及能夠提升人類認知的，但是隨著信息數量的持續增加，如果超出這個范圍，就會產生一定程度上的消極作用。所以要從龐雜的新聞信息中，獲取用戶真正想要了解和關注的信息是非常困難的，為了有效解決“信息過載”問題，讓用戶輕而易舉地獲取到對自己有價值的信息，啟動運用算法搭建的新聞推薦系統就成了解決這一問題的關鍵法寶。將算法機制巧妙而又有效地融入信息傳播中，提升整個信息在采集、生產、分發和反饋之間的流程運轉，全方位改變信息傳播生態圈，進一步提升用戶接受信息的體驗。

人們對于信息傳播的積極探求，才是發展新信息媒介技術的主要原動力，故保羅·萊文森提出了關于“補償性媒介”的理念。

他認為，媒介的發展是越來越人性化的過程，新媒介是對舊媒介的補償，補償性作用不僅僅只存在于一個媒介產品的生產本身，更存在于各種媒介產品與其他媒介組合之中，任何一種后繼發展的、新生的媒介都是對過去某一種媒介或某一種媒介的先天不足導致的某些功能缺憾的合理補償和補救[1]。在保羅·萊文森的“補償性媒介”這一理論的基礎上，學者羅杰·菲德勒提出新舊媒介之間存在一定的連貫性和繼承性，舊的媒介會在新媒介技術的輔助下繼續進化和升級，以適應人類的信息需求。

國內的學者在梳理“補償性媒介”理論后則認為，補償性媒介一方面是功能性的補償，另一方面是對人們生理需求和心理需求的補償。

在信息媒介方式的選擇上，個人的主觀能動性又有所提高。人們不僅在線下進行面對面的溝通，在媒介技術驅動與互聯網的飛速發展下，還可以選擇在線上進行交流互動，從而滿足在線下無法進行“正常”社交活動的需求。

“社交補償”假說認為，在線下面對面交流中存在困難的人們會通過線上的方式彌補線下的缺失[2]。站在社交補償的視角來說，在面對面的社交活動中，人們的語言、語音、語調、身體語言和面部表情都會向外傳遞信息，由于不同個體在編碼、解碼與釋碼方式上有主觀上的不同認知，就非常容易造成信息的誤讀。這對患有社交焦慮癥或者社交恐懼癥的人群來說，是非常不愿面對的社交問題。

所以研究者幾乎一致研究認為，當社交焦慮水平較高時，個體更容易選擇使用虛擬現實網絡信息工具去進行主動交流，并建立親密情感紐帶和關系，試圖以此維持較穩定的人際關系。

這樣的線上社交方式在虛擬現實網絡世界中，可以自覺避免諸如眼神上的肢體接觸、對話和肢體表情外露等社交符號特征，同時還可以主動控制發送的信息內容，并可以用表情包、圖片、照片等表現形式去表達個體的內心情感。這使用戶不再擔憂自己在行為舉止上的不合適，而造成對方的誤解。反過來也有助于緩解網絡個體的焦慮感，能夠有效營造出一種相對更健康自然、舒適而和諧有序的網絡社交環境。

與此同時，在信息媒介類型的選擇上，人們也具有主觀能動性。新媒介的誕生是為了能夠更好地滿足現代人的信息需求，用戶可以使用媒介來克服個人特質、行為導向、時間和空間等現實，并彌補人們在現實世界與線下活動中難以被滿足的訴求。根據保羅·萊文森提出的“補償性媒介”相關理論，通過對算法變遷的研究發現，算法技術的每一次更新迭代都是基于現實需要對上一代的功能補償，是人類在媒介演化中不斷地理性選擇。算法推薦系統也在不同時期以不同的媒介技術融入社交媒體中，為個體在線社交的進行提供了方法，對個體的社交進行了補償。

由此，本文在過往的基礎上繼續研究，明確在算法發展的三個時間段中，分別給予了用戶怎樣的補償？以保羅·萊文森的媒介補償理論為理論支撐，站在社交補償的視角，結合算法推薦的進化，深入探討在媒介補償機制中，人們如何跟隨算法的迭代進行社交的延伸與對自我的社交行為進行補償？

二、算法1.0基于內容的推薦：社交能力完善的生理補償

在算法1.0時期，新聞傳播領域主要運用基于內容推薦的算法。基于內容推薦的算法是一種非常經典且十分重要的推薦思路，也是在日常生活中最普及的推薦算法。簡單來說，基于內容推薦的算法就是依據用戶過往喜好的內容為參照系，為用戶推薦其喜歡的內容。在這種以內容相似度的度量為核心的算法類別中，如何進行相似度計算是最重要的環節。主要經過三個流程：第一步，提取文章內容中能夠代表文章屬性的關鍵詞，從而使一篇抽象的文章被具體的一個向量所表示，即內容的內容向；第二步，提取用戶過往喜歡內容的閱讀偏好，形成用戶喜好的特征向量；第三步，將內容的特征向量與用戶喜好的特征向量進行比較，再進行相似度計算，然后取相似度最大的前多個內容，作為推薦結果分發到用戶的推薦列表中去[3]。以上三個流程基本為物品表示、用戶偏好學習、生成推薦列表三個方面的實時操作。

如今新聞門類的線上版體現了基于內容的推薦算法對用戶社交能力的補償。在過去，人們僅僅在線下閱讀報紙，對于閱讀到的內容無法實時與他人分享與交流。但隨著互聯網傳播技術的發展，人們有了更多的消遣與閱讀新聞的方式，大眾傳播時代，傳統的報紙行業逐漸沒落，報紙行業必須對自身進行革新，改變傳統報紙行業的新聞分發流程，在原本的新聞制作與分發上進行創新，使新聞分布方式發生轉變。

例如，人民網、央視新聞、南方周末等都開發了線上閱讀模式。《南方周末》上線了電子版，根據用戶過往瀏覽過的新聞內容推送帶有相同標簽的新的新聞內容，并在新的新聞內容的下方設置了評論區。這對因算法推薦系統而閱讀到同一條新聞的用戶來說，即使人分散在天南海北，互相見不到面，也可以就相同的、感興趣的新聞內容進行討論與交流。

新聞發布平臺不再只是單純地提供內容，而是以基于內容的新聞推薦算法為技術內核，成長為以新聞內容為核心的社交平臺。這在客觀上擴大了用戶進行社交活動時的渠道選擇，為用戶的社交行為提供了多樣化的場景。補償性地建立了用戶與其他主體社交的途徑，并使用戶能直接滿足自身的社交需求，對自我的社交能力完善進行了生理上的補償。

三、算法2.0協同過濾：社交孤獨趨避的心理補償

在新聞推薦算法發展的2.0時代，從之前基于內容的推薦算法轉換為完全以用戶行為為信息分析的協同過濾算法。簡單來說，協同信息過濾算法就是一種將群體智慧作為基本分析思想，即通過群體得到統計結果的結論。根據一些興趣相投、擁有共同使用經驗的特定群體成員的行為喜好來預測下一個特定用戶最感興趣的內容信息。群體是人類應對自然和社會挑戰、推動社會發展與進步的選擇，而群體的智慧也有著至關重要的作用。

隨著協同過濾算法的更新迭代，又可以拆分為基于用戶數據的協同過濾、基于項目信息的協同過濾以及基于模型信息的協同過濾。這種基于用戶數據的協同過濾算法框架，可以被簡單概括為“人以群分”，通過聚類分析找到與目標用戶內容消費行為相似度較高的一類用戶，將行為類似的用戶編為一個隱性閱讀興趣小組，并向目標用戶推薦此類用戶感興趣但未被目標用戶消費過的內容。

基于物品的協同過濾算法，根據目標用戶的內容偏好去計算，即為“物以類聚”，自動推薦與之相似程度高的內容[4]。內容之間的相似性計算依據不再是內容自身的特有屬性，而是用戶對其的反饋。基于模型信息的協同算法推薦技術則是指利用用戶行為偏好的畫像來訓練協同算法模型，以實現實時預測用戶點擊率行為的目的。

算法2.0時期，人們會基于自身的興趣愛好拓展自己的社交圈。線下社交用戶除了在互聯網上保持原有的熟人社交以外，同時還會以興趣為紐帶，在互聯網平臺與陌生人開展線上社交。“陌生人們”憑借著相同喜好在以互聯網為媒介的平臺中建立“同好會”，因此，協同過濾算法在互聯網中就成了文化群體在社交網絡中找到彼此的橋梁。

有研究者在研究社交行為、孤獨感和現代大眾媒體使用等三個問題之間存在的復雜關系時，提出了所謂的“補償假說”。研究者認為，媒介常常被人用來作為補償社會人際關系種種不足的工具，而媒介也更容易被獲得。所以該研究中媒介所能夠補償到的主要是人類現實生活場景中因為缺乏社交行為而產生的孤獨感。而另一些研究者則認為用戶使用媒介克服時間、空間、個人特質、行為傾向等限制，在線上彌補線下活動中個人難以滿足的交友訴求。

網易云音樂于2013年上線，是以歌單為核心結構的音樂類應用軟件。網易云音樂的“每日推薦”和“推薦歌單”中都運用了協同過濾推薦算法，給用戶推薦“下一首歌曲”。那么又是如何做到用戶社交的呢？

在網易云音樂初上線的時候，就提出了“音樂社交”的概念，將自己定位成具有社交媒體和音樂平臺雙重性質的音樂類應用軟件。網易云音樂在提供給用戶海量的高品質音樂資源的同時，通過感性的包裝和情懷的渲染，引導用戶在音樂播放界面進行評論。用戶在使用網易云音樂時，可以邊聽歌邊在界面中與其他用戶交流與討論，而這些用戶正是因為協同過濾的推薦算法而收聽了同一首歌，他們欣賞同一首歌就好比“志同道合”，這就像是將本應該在線下互動的“音樂會”搬到了線上的音樂平臺。

“音樂會”中的成員因為相似的審美、興趣甚至價值觀而進入同一個空間，進行交流與自我表達。用戶在音樂社交模式下通過彼此的情感投射來完成自我身份認同的構建，并在音樂的情感連帶下實現了虛擬在場，與陌生人建立起非現實的“親密關系”。

網易云音樂在虛擬網絡空間中的社交功能很好地緩解了用戶的孤獨感和疏離感，讓更多的用戶在參與音樂欣賞和分享的同時，也因為該應用軟件帶有社交屬性的互動功能，而在線上對線下的社交孤獨進行了心理上的補償[5]。

四、算法3.0隱私保護：社交安全焦慮的防御型補償

到了算法3.0時期，由于以自動化、智能化、個性化為特點的推薦算法技術已經滲透到傳播過程中的每一個環節中，整個虛擬網絡世界已經成為由“數據+算法”驅動的算法環境。但是，在推薦算法技術為人們帶來生活便利與提升社會運轉速率的同時，問題也隨之而來，最為突出的表現就是給個人的信息安全和隱私保護帶來了一系列的挑戰。

算法公司在為特定的用戶免費提供滿足其隱私偏好需要的算法內容時，過多地獲取了用戶個人的相關信息數據與個人隱私，導致一些用戶認為，自己會在大數據技術和算法公司面前變成信息完全公開的透明人，毫無任何個人的隱私自由可言。用戶們更認為，基于大數據和推薦算法技術的各種社交網絡、電商軟件、視頻平臺、搜索推薦引擎等，在為自己提供生活便利的同時，也把自己當作流量，對作為用戶的自己有所訴求。在為自己提供便利服務的時候，獲取其他個人隱私信息。

而失去個人隱私這最后一片陣地，不僅給個人的生活造成干擾，還會給他人造成不良的影響。在電視劇《底線》的相關劇情中，麻醉科醫生畢良因被人傳播謠言，稱其在給當紅演奏家辛承軒的麻醉手術時出現了技術上的失誤，導致辛承軒出現了嚴重的演出事故。瘋狂而憤怒的粉絲們認為這是畢良的失職而造成的后果，就在網絡上對畢良進行人肉搜索，導致畢良的個人隱私被泄露，個人生活和家庭不堪其擾，更有甚者到畢良的工作單位大吵大鬧，影響其他患者正常就醫。這一案例是根據真實事件改編，從中可以看出隱私泄露會給個人造成極大的負面影響。

也正因為個人隱私的重要性，所以用戶對平臺算法有了負面的看法，仿佛它永遠帶著原罪。所以在新的時代就有新的問題產生，用戶如何在享受推薦算法帶來的便利的同時，還能夠讓自己的隱私受到保護？

算法3.0時代是移動大數據快速獲取的時代，人們往往需要更多有效的社交隱私保護措施，為個人社交網絡安全提供有力的防御和武器，所以現在也衍生出更多隱私保護規則與約束機制。我國目前正在完善電子法律，其中主要包括《中華人民共和國網絡安全法》《中華人民共和國個人信息保護法》《中華人民共和國數據安全法》等，明確出臺了關于個人隱私保護的法條[6]。這表明了在大數據搜集個人信息的問題上，任何組織與個人都戴上了法律的鐐銬，再也不能無所顧忌地隨意收集、處理或泄露用戶數據，否則將面臨巨額罰款以及更嚴重的處罰。

所以，算法3.0時代是一個算法、代碼與法律有序融合的時代。需要將現實的法律規范融入代碼之中，每一個代碼都帶有法律規范；而不是代碼只體現它的算法，代碼必須把法律原理體現出來，這是目前行業內的首要任務。

當然，正因為人們對個人隱私保護的重視，所以科技的發展產生了隱私保護算法。隱私保護算法是基于同態加密、差分隱私、不經意傳輸三個底層密碼學算法而產生的交叉融合技術。以應用領域的不同劃分為三大路徑，分別是以安全多方計算為代表的密碼學路徑、以可信任執行環境為代表的硬件路徑和以聯邦學習為代表的人工智能路徑，其理念核心就在于有效管理隱私邊界。

在以安全多方計算為代表的密碼學路徑中，安全指一切行為必須由使用者本人實施，他人無法代替完成；多方則指一個行為必須多個參與人共同完成。在該路徑的運行流程中，用戶可以安全地實施行為，不會擔心他人冒充、代替和跨越自己，全方位地保護自己的信息安全不受侵犯。

在以可信任執行環境為代表的硬件路徑中，采用軟件硬件相結合的方式在中央處理器中構建安全區域，在本區域內確保內部加載的程序和數據得到保護，中央處理器則是可信執行控制單元被預置集成的商用CPU計算芯片，可信執行環境在基于硬件安全的CPU實現了基于內存隔離的安全計算，在這種情況下既能夠保證計算效率也可以完成隱私保護的計算。聯邦機器學習技術是一種機器學習、分布式存儲和個人隱私數據保護三位一體的交叉整合技術，在目前以聯邦機器學習技術為核心代表技術的新的人工智能路徑指引下，原始的數據分布在全球不同規模的個人終端用戶和企業中，在調取數據時，隱私保護技術在對訓練過程的中間結果進行轉化，以掩蓋原始數據等方式防止數據泄露，增加安全性。

在如今的互聯網中，除了法律的有效監管，各個互聯網公司自覺提高隱私算法技術和改變營運流程外，互聯網用戶對個人隱私的關注程度也影響著個人對各種類型應用軟件的接納與持續使用的意愿，從心理和行為上都會強化對隱私風險的評估和應對。三方共同努力，對未來互聯網的隱私保護算法技術的提高與發展，以及整個互聯網生態都是百利而無一害的[7]。

五、結語

本研究站在社交補償的視角，以算法的進化與更迭為技術背景，探討了用戶如何運用算法對自身進行補償性的社交。算法1.0是基于內容推薦，用戶通過該算法對自我進行關于社交能力完善的生理補償，算法2.0是基于個人興趣愛好的協同過濾，因擁有相同的興趣愛好而形成群體，從而在用戶因線下的社交孤獨而趨避于線上的過程中對其心理進行了補償。

因為之前的大數據獲取了太多用戶的個人信息以支持算法技術的運作，個人信息的泄露使得用戶提出了在社交活動中是否安全的疑問，并由此產生了個人隱私泄露焦慮。這使用戶對推薦算法技術產生了反抗情緒，做出了拒絕系統獲取自己的信息甚至是學習自己的行為，但因為中國市場以電商為代表的數字經濟呈爆發式發展，人們的生活已經無法避開大數據與互聯網科學技術的裹挾，所以在算法3.0時代，國內外關于隱私保護的法規越發完善，互聯網企業的決策者們也自覺對企業走向與運作做了新的規劃與調整。

在技術層面，加強包括安全多方計算、可信任執行環境以及聯邦學習等相關隱私保護技術，給予用戶對隱私保護算法的信心，使用戶在社交時不再擔憂個人的隱私泄露問題。

縱觀算法技術從1.0時期到3.0時期的變化，從對內容的計算到對用戶的測量，再到對用戶體驗的關注，可以發現算法在進化過程中越來越偏向人性化的考量，算法從冰冷的機器與代碼的產物，轉為更多為用戶的思考而思考。

在本身是代碼組成的高精度科學技術之外，更考慮到它所服務的對象，也就是用戶在使用算法時的真正需求到底是什么？用戶使用推薦算法在互聯網虛擬世界中進行社交活動，滿足自我的需求，對自我情感進行補償，所以無論技術如何進步與變革，推薦算法都將成為人們社交的延伸，它的落腳點和關注點最終還是會回到人的身上。

參考文獻：

[1] 喻國明，徐子涵，李梓賓.“人體的延伸”：技術革命下身體的媒介化范式：基于補償性媒介理論的思考[J].新聞愛好者，2021（8）：11-13.

[2] 王可欣，史蒙蘇.媒介補償：理論溯源與研究路徑[J].全球傳媒學刊，2021，8（6）：69-84.

[3] 俱鶴飛.新聞算法的進化與反思[J].青年記者，2019（3）：39-40.

[4] 劉總真，張瀟丹，郭濤，等.新聞推薦算法可信評價研究[J].信息安全學報，2021，6（5）：156-168.

[5] 高子倫.在線音樂平臺社交化研究[D].廣州：暨南大學，2017

[6] 張文祥，楊林.新聞聚合平臺的算法規制與隱私保護[J].現代傳播（中國傳媒大學報），2020，42（4）：140-144，154.

[7] 陳夢如，李曉云.隱私關注對算法推薦類新聞App用戶信息安全行為的影響研究[J].河南工業大學學報（社會科學版），2021，37（6）：15-23.

作者簡介 于嚴舒，碩士在讀，研究方向：新媒體、網絡輿情。 王鵬，博士在讀，副教授，研究方向：新媒體、網絡輿情。