摘要：隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，新聞媒體的傳播方式和用戶的閱讀習慣都發(fā)生了巨大的變化。個性化新聞推薦指利用大數(shù)據(jù)分析和人工智能技術(shù)，根據(jù)用戶的個人特征、興趣偏好、瀏覽歷史等數(shù)據(jù)，為不同用戶推薦不同的新聞內(nèi)容，使新聞信息服務精準化和個性化。相較于傳統(tǒng)的人工推薦或統(tǒng)一推薦，個性化新聞推薦更加準確、主動、智能化。文章介紹個性化新聞推薦的算法基礎，包括協(xié)同過濾算法、內(nèi)容推薦算法和混合推薦算法，并分析各算法的工作原理，發(fā)現(xiàn)協(xié)同過濾依賴用戶行為數(shù)據(jù)，內(nèi)容推薦依賴新聞文本數(shù)據(jù)，但是兩者都存在冷啟動和稀疏性問題，因此混合推薦算法應運而生。文章指出個性化新聞推薦面臨的三大挑戰(zhàn)：用戶隱私與數(shù)據(jù)安全問題、信息繭房效應、“黑箱”操作與透明度問題。大數(shù)據(jù)時代，用戶信息高度易感，算法過濾容易導致信息同質(zhì)化，“黑箱”操作也容易引發(fā)用戶質(zhì)疑。對此，文章提出優(yōu)化策略：引入多樣性指標，增強結(jié)果差異性；健全用戶反饋機制，持續(xù)優(yōu)化算法；提高算法透明度和可解釋性，增強用戶信任感。具體做法包括：調(diào)整相似度計算、設置反饋入口、采用可視化技術(shù)等。文章旨在為個性化新聞推薦提供借鑒和參考。

關(guān)鍵詞：個性化新聞推薦；算法把關(guān)；信息繭房；“黑箱”操作；優(yōu)化策略

中圖分類號：G210.7 文獻標志碼：A 文章編號：1674-8883（2024）05-0005-03

基金項目：本論文為2018年度江西科技學院人文社科項目“個性化新聞推薦的算法把關(guān)研究”主要成果，項目編號：RW1808；2023年度南昌市“十四五”社科規(guī)劃課題“網(wǎng)絡治理視域下南昌縣級融媒體參與社會基層治理研究”階段性成果，項目編號：XW202304

一、引言

新聞是人類社會的重要信息源，它不僅能夠反映社會的現(xiàn)狀和變化，還能夠影響人們的認知和行為。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，新聞媒體的傳播方式和用戶的閱讀習慣都發(fā)生了巨大的變化。根據(jù)中國互聯(lián)網(wǎng)絡信息中心（CNNIC）發(fā)布的第52次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》，截至2023年6月，我國網(wǎng)民規(guī)模達10.79億人，較2022年12月增長1109萬人，互聯(lián)網(wǎng)普及率達76.4%。網(wǎng)民規(guī)模不斷增長的同時，網(wǎng)民對新聞信息的需求也越來越多樣化和個性化，他們希望根據(jù)自己的興趣偏好，獲取更加符合自己需求的新聞內(nèi)容[1]。

個性化新聞是指通過算法把關(guān)、個性化推薦、協(xié)同過濾等方式推送給受眾的新聞內(nèi)容。平臺結(jié)合大數(shù)據(jù)對用戶閱讀習慣的捕捉，對用戶閱讀興趣進行預測和推斷，為其推送更符合需求的新聞內(nèi)容。簡而言之，個性化新聞就是基于“用戶洞察”的個性化信息智能匹配，根據(jù)個性化需求聚合相關(guān)的信息和應用，以滿足用戶需求的個性化內(nèi)容。因此，個性化需求改變了傳統(tǒng)媒體時代用戶主動尋找信息的情況，平臺利用推薦的形式為內(nèi)容找到與其相匹配的用戶。

為了滿足網(wǎng)民的個性化新聞需求，各大新聞平臺紛紛采用個性化新聞推薦系統(tǒng)，其能有效解決信息過載的問題，提高用戶的滿意度和忠誠度，延長用戶的停留時間，從而為新聞平臺帶來更多的流量和收益。根據(jù)中華全國新聞工作者協(xié)會發(fā)布的《中國新聞事業(yè)發(fā)展報告》，2022年，中國傳媒產(chǎn)業(yè)規(guī)模呈恢復性增長態(tài)勢，總產(chǎn)值達29710.3億元，增長率從上一年的8.40%提升至13.54%，恢復到2019年兩位數(shù)的增長水平。當前，個性化新聞推薦已經(jīng)成為新聞資訊行業(yè)的主流模式[2]，但個性化新聞推薦系統(tǒng)也面臨一些挑戰(zhàn)。因此，個性化新聞推薦的算法把關(guān)顯得尤為重要。

二、個性化新聞推薦的算法基礎

（一）協(xié)同過濾算法

協(xié)同過濾算法是個性化推薦領域的經(jīng)典方法之一。它基于用戶的歷史行為數(shù)據(jù)，通過計算用戶之間的相似性來預測用戶的興趣偏好。在新聞推薦中，協(xié)同過濾算法能夠發(fā)現(xiàn)具有相似閱讀習慣的用戶群體，并根據(jù)這些相似用戶的喜好為用戶推薦新聞內(nèi)容。其優(yōu)點在于能夠自動發(fā)現(xiàn)用戶之間的關(guān)聯(lián)，不需要對新聞內(nèi)容進行深入分析。然而，協(xié)同過濾算法也面臨一些挑戰(zhàn)，如冷啟動問題和數(shù)據(jù)稀疏性問題。冷啟動問題指對新用戶或者新加入的新聞，由于缺乏足夠的歷史數(shù)據(jù)，算法難以準確推薦。數(shù)據(jù)稀疏性問題指由于每個用戶閱讀過的新聞只占很小一部分，“用戶—新聞”矩陣非常稀疏，影響了推薦的準確性[3]。

（二）內(nèi)容推薦算法

與協(xié)同過濾算法不同，內(nèi)容推薦算法更注重對新聞內(nèi)容本身的分析。它通過分析新聞文本的特征和用戶的歷史偏好，為用戶推薦與其興趣相關(guān)的新聞。內(nèi)容推薦算法通?；谧匀徽Z言處理和機器學習技術(shù)，能夠深入挖掘新聞內(nèi)容的語義信息，從而更準確地理解用戶的興趣和需求[4]。在內(nèi)容推薦算法中，關(guān)鍵詞提取、主題模型、深度學習等技術(shù)被廣泛應用。例如，通過提取新聞的關(guān)鍵詞和主題信息，可以構(gòu)建用戶的興趣模型；利用深度學習技術(shù)對新聞文本進行深度學習，可以捕捉更豐富的語義信息。這些技術(shù)的應用使得內(nèi)容推薦算法在理解用戶興趣和需求方面取得了顯著的效果。然而，內(nèi)容推薦算法也存在一定的局限性。它對新聞文本的依賴性較強，如果新聞文本的質(zhì)量不高或者存在偏見，推薦的準確性會受到影響[5]。

（三）混合推薦算法

為了充分發(fā)揮協(xié)同過濾和內(nèi)容推薦的優(yōu)勢并克服各自的局限性，研究者提出了混合推薦算法。混合推薦算法結(jié)合協(xié)同過濾和內(nèi)容推薦的優(yōu)點，通過融合多種推薦策略來提高推薦的準確性和多樣性。在混合推薦算法中，常用的融合方法包括加權(quán)融合、串聯(lián)融合和并聯(lián)融合等，其可以根據(jù)具體的應用場景和需求選擇不同的融合方式和權(quán)重分配策略，從而使新聞推薦服務更加個性化[6]。

三、個性化新聞推薦算法面臨的挑戰(zhàn)

（一）數(shù)據(jù)隱私與安全問題

個性化新聞推薦的核心在于對用戶數(shù)據(jù)進行深入分析和挖掘。用戶的瀏覽歷史、閱讀習慣、興趣偏好等信息是推薦算法進行精準推送的關(guān)鍵。然而，在收集、存儲和使用數(shù)據(jù)的過程中存在隱私和安全問題。近年來，大型互聯(lián)網(wǎng)公司數(shù)據(jù)泄露事件頻發(fā)，引發(fā)了公眾對個人信息安全的擔憂。例如，犯罪分子通過自己開發(fā)軟件爬取淘寶客戶的數(shù)字ID、昵稱、手機號碼等信息近12億條，導致大量用戶信息被非法獲取并用于惡意營銷，嚴重侵犯了用戶的合法權(quán)益[7]。因此，如何在確保推薦準確性的同時保護用戶隱私，成為個性化新聞推薦算法亟待解決的問題。

（二）信息繭房效應

信息繭房效應是指用戶在接收信息時，由于算法的過濾和推薦，逐漸陷入信息閉環(huán)，導致視野受限、思維僵化。個性化新聞推薦算法在提供精準內(nèi)容的同時，也可能加劇這一效應[8]。近日，中國青年報社社會調(diào)查中心聯(lián)合問卷網(wǎng)，對1501名受訪者進行的一項調(diào)查顯示，62.2%的受訪者認為，“大數(shù)據(jù)+算法”的精準推送方式，讓自己陷入了信息繭房。長期來看，這不僅會限制用戶的認知范圍，還可能引發(fā)社會偏見和分裂。因此，個性化新聞推薦算法需要在追求精準性的同時，考慮信息的多樣性和平衡性，以避免信息繭房效應帶來的負面影響。

（三）“黑箱”操作與透明度問題

個性化新聞推薦算法的決策過程對大多數(shù)用戶來說是“黑箱”操作。用戶只能看到推薦的結(jié)果，而無法了解算法是如何做出推薦決策的。這種缺乏透明度的做法容易引發(fā)用戶對算法公平性和可信度的質(zhì)疑。例如，一些用戶在多次收到與自己興趣不符的新聞推薦后，懷疑算法存在偏見或錯誤。個性化新聞推薦算法需要提高決策過程的透明度，讓用戶了解算法是如何工作的以及為何會推薦某些內(nèi)容[9]。這可以通過提供詳細的推薦解釋、展示推薦依據(jù)的權(quán)重分配等方式來實現(xiàn)，從而提高用戶對算法的信任度和接受度。

四、優(yōu)化個性化新聞推薦算法的策略

（一）引入多樣性指標

為解決信息繭房問題，個性化新聞推薦算法需要引入多樣性指標。多樣性指標能夠衡量推薦列表中新聞的來源、主題和觀點的多樣性，從而鼓勵算法為用戶提供更加多元化的內(nèi)容。提升新聞的多樣性，可以幫助用戶打破信息繭房，使他們接觸到更廣泛的信息和觀點，進而提升他們的認知水平和思維能力[10]。

在實際應用中，可以通過調(diào)整推薦算法中的相似度計算方法、增加對冷門新聞的推薦權(quán)重等手段，實現(xiàn)對多樣性指標的引入。例如，澎湃新聞平臺在其算法中引入了基于主題模型的多樣性指標，通過計算新聞主題的相似度，確保推薦列表中的新聞具有多樣性。該策略實施后，用戶對該平臺的滿意度提高，黏性增強[11]。

（二）健全用戶反饋機制

用戶反饋是個性化新聞推薦算法優(yōu)化的重要依據(jù)。收集用戶對推薦新聞的滿意度、點擊率、閱讀時長等數(shù)據(jù)，可以了解用戶對推薦內(nèi)容的偏好和需求，進而對算法進行針對性的優(yōu)化。同時，用戶反饋還可以幫助平臺發(fā)現(xiàn)算法中存在的問題和偏差，及時進行修正和調(diào)整。要健全用戶反饋機制，可以在新聞推薦平臺上設置明確的反饋入口和選項，鼓勵用戶提供真實的反饋意見[12]。此外，還可以采用激勵機制，如給予積分獎勵、提升用戶等級等，鼓勵用戶參與反饋[13]。例如，騰訊新聞在其應用中設置了用戶滿意度調(diào)查功能，通過收集用戶對推薦新聞的評分和評論了解用戶的反饋意見。該平臺還定期對用戶反饋進行分析和總結(jié)，將結(jié)果應用于算法優(yōu)化中，從而不斷提升推薦質(zhì)量，優(yōu)化用戶體驗[14]。

（三）提高算法透明度與可解釋性

提高算法的透明度和可解釋性，是提高用戶對個性化新聞推薦算法信任度的重要途徑。透明度要求算法能夠向用戶展示其決策過程和依據(jù)，而可解釋性則要求算法能夠提供易于理解的決策理由和依據(jù)[15]。提高算法的透明度和可解釋性，可以讓用戶更加了解算法的運作方式和決策依據(jù)，從而提高他們對算法的信任度和接受度。在實際操作中，可以通過可視化技術(shù)向用戶展示推薦算法的決策過程，包括新聞篩選、排序、推薦等環(huán)節(jié)的具體操作。還可以在推薦結(jié)果中附帶相應的解釋信息，如基于用戶的哪些歷史行為和興趣偏好進行了推薦、推薦的新聞與用戶的哪些需求相關(guān)等。例如，搜狐新聞在其應用中增加了“為什么推薦”功能，以簡明扼要的文字向用戶解釋每條新聞推薦的依據(jù)，從而提高用戶對算法的信任度和滿意度。

五、結(jié)語

個性化新聞推薦的發(fā)展充分體現(xiàn)了互聯(lián)網(wǎng)技術(shù)是如何變革傳統(tǒng)新聞業(yè)，使新聞內(nèi)容的推送方式從被動轉(zhuǎn)向主動，從粗放轉(zhuǎn)向精準的。它帶來的定制化新聞體驗，無疑更貼近當代公眾的信息需求。然而，也要清醒地看到，個性化新聞推薦算法的應用引發(fā)了一些負面問題，數(shù)據(jù)隱私、信息繭房、算法不透明等風險日漸凸顯。如果任由其演化，可能導致公共討論碎片化和觀點極端化。因此，有必要把雙刃劍用好，防止其傷人。在繼續(xù)增強算法效果的同時，要注重用戶權(quán)益的保護、結(jié)果的多元化和過程的透明化，還要完善監(jiān)管，建立第三方審計與評估體系，在技術(shù)創(chuàng)新與社會責任之間找到平衡，提升算法的可解釋性、公平性與安全性，讓其健康可持續(xù)地服務用戶和社會。

參考文獻：

[1] 熊亞光.新聞個性化推薦的影響因素分析[J].傳媒論壇，2023，6（23）：27-29.

[2] 王茹楠.電視新聞節(jié)目主持人實現(xiàn)個性化表達的路徑[J].西部廣播電視，2023，44（16）：188-190.

[3] 孟祥福，霍紅錦，張霄雁，等.個性化新聞推薦方法研究綜述[J].計算機科學與探索，2023，17（12）：2840-2860.

[4] 李云霞，李偉.基于用戶角度的新聞內(nèi)容個性化推薦研究[J].新聞研究導刊，2023，14（7）：87-89.

[5] 周帥，都云程，張仰森.個性化新聞推薦研究進展[J].計算機技術(shù)與發(fā)展，2023，33（2）：1-8.

[6] 徐茜茜.融合傳播下時政新聞“語言+視覺+文本”的個性化解讀[J].采寫編，2023（1）：6-8.

[7] 喻玲.個性化推薦、公共性貶損與數(shù)字新聞市場反壟斷[J].法學，2022（11）：154-173.

[8] 夏艷.新聞評論的個性化表達探討[J].西部廣播電視，2022，43（19）：58-60.

[9] 趙懷智.個性化新聞的推送：弊端及解決措施[J].湖北科技學院學報，2022，42（4）：90-96.

[10] 胡箐妍.個性化新聞推薦技術(shù)研究[J].中國傳媒科技，2022（7）：137-139，143.

[11] 公沛然.個性化新聞推送的影響[J].中國地市報人，2022（6）：68-69.

[12] 蒲岍岍，雷航，李貞昊，等.增強列表信息和用戶興趣的個性化新聞推薦算法[J].計算機科學，2022，49（6）：142-148.

[13] 楊浩琛.新聞評論的個性化表達探討[J].新聞傳播，2022（3）：101-102.

[14] 牛琛琛.個性化新聞推送對新聞業(yè)務鏈的重塑[J].西部廣播電視，2021，42（20）：16-18.

[15] 丁正祁，彭余輝，孫剛.基于改進LDA主題模型的個性化新聞推薦算法[J].赤峰學院學報（自然科學版），2021，37（6）：28-32.

作者簡介 范蕾蕾，講師，研究方向：新媒體傳播。