摘要：本研究旨在深入探討大數(shù)據(jù)背景下新聞個性化推薦算法優(yōu)化策略及對用戶體驗的影響，以期為提升新聞推薦系統(tǒng)的性能和用戶滿意度提供理論依據(jù)和實踐指導(dǎo)。本研究采用文獻綜述、實證分析和算法實驗相結(jié)合的方法，首先梳理新聞個性化推薦算法研究現(xiàn)狀和存在的問題，然后重點探討大數(shù)據(jù)背景下新聞個性化推薦算法優(yōu)化策略。同時，本研究還關(guān)注內(nèi)容多樣性的提升和實時熱點事件的融入方式，以豐富推薦結(jié)果，滿足用戶的多元化需求。本研究得出以下結(jié)果：優(yōu)化后的新聞個性化推薦算法在推薦準(zhǔn)確性、用戶滿意度和參與度方面均有顯著提升，但同時過度依賴個性化推薦可能導(dǎo)致用戶視野受限，產(chǎn)生“信息繭房”效應(yīng)。為此，本研究提出平衡個性化推薦與多樣化呈現(xiàn)的策略，旨在既保持推薦的精準(zhǔn)性，又避免用戶陷入“信息繭房”。此外，還強調(diào)持續(xù)優(yōu)化算法模型、完善用戶畫像和注重用戶體驗的重要性，以期為新聞推薦系統(tǒng)的未來發(fā)展提供有益參考。

關(guān)鍵詞：大數(shù)據(jù)；新聞；算法；用戶體驗；個性化推薦

中圖分類號：G210.7 文獻標(biāo)志碼：A 文章編號：1674-8883（2024）18-0011-05

一、前言

隨著信息技術(shù)、互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，新媒體異軍突起，信息無處不在、無所不及、無人不用，媒體格局、傳播方式發(fā)生深刻改變，信息呈指數(shù)級增長，這標(biāo)志著當(dāng)前已步入一個數(shù)據(jù)驅(qū)動的時代。在信息爆炸時代，用戶面對海量的新聞資訊，如何從中快速篩選出符合個人興趣和需求的內(nèi)容，成為亟待解決的問題。

新聞個性化推薦系統(tǒng)應(yīng)運而生，其利用大數(shù)據(jù)分析和機器學(xué)習(xí)算法，通過分析用戶的歷史行為、興趣偏好等信息，為用戶提供定制化的新聞內(nèi)容推薦[1]。然而，隨著技術(shù)的不斷進步和應(yīng)用場景的日益復(fù)雜，新聞個性化推薦系統(tǒng)也面臨諸多挑戰(zhàn)，如推薦算法的準(zhǔn)確性、多樣性、實時性以及用戶隱私保護等問題。

二、大數(shù)據(jù)與新聞個性化推薦系統(tǒng)的理論基礎(chǔ)

（一）大數(shù)據(jù)技術(shù)及其在新聞推薦中的應(yīng)用

大數(shù)據(jù)技術(shù)通過高效的數(shù)據(jù)采集、存儲、處理與分析手段，為各行各業(yè)提供強大的數(shù)據(jù)支持。在新聞傳播領(lǐng)域，大數(shù)據(jù)技術(shù)的應(yīng)用尤為顯著，不僅改變了新聞的生產(chǎn)方式，還深刻影響了新聞的傳播與消費模式[2]。

在新聞推薦系統(tǒng)中，大數(shù)據(jù)技術(shù)扮演著至關(guān)重要的角色。第一，它能夠從多源異構(gòu)的數(shù)據(jù)中挖掘出有價值的信息，涵蓋用戶行為數(shù)據(jù)、新聞內(nèi)容數(shù)據(jù)、社交網(wǎng)絡(luò)數(shù)據(jù)等多維度的信息，這些豐富的數(shù)據(jù)資源能夠為個性化推薦算法提供堅實的素材基礎(chǔ)，使推薦系統(tǒng)能夠更深入地理解用戶需求，從而實現(xiàn)更精準(zhǔn)的推送服務(wù)。第二，大數(shù)據(jù)技術(shù)支持下的實時數(shù)據(jù)分析與處理能力，賦予新聞推薦系統(tǒng)迅速響應(yīng)用戶動態(tài)變化的能力，這意味著推薦系統(tǒng)能夠及時調(diào)整推薦策略，以確保推薦內(nèi)容的時效性和相關(guān)性，從而更好地滿足用戶的需求。第三，通過大數(shù)據(jù)技術(shù)的深度學(xué)習(xí)與挖掘，新聞推薦系統(tǒng)能夠不斷優(yōu)化算法模型，這不僅能強化推薦效果，還能為用戶提供更加個性化、智能化的服務(wù)體驗[3]。

（二）新聞個性化推薦系統(tǒng)的基本原理與構(gòu)成

新聞個性化推薦系統(tǒng)是一種先進的系統(tǒng)，基于用戶行為數(shù)據(jù)、興趣偏好以及新聞內(nèi)容特征，通過深入的算法分析與計算，能夠精準(zhǔn)地向用戶推薦符合其個性化需求的新聞內(nèi)容。該系統(tǒng)的基本原理在于充分利用數(shù)據(jù)挖掘、機器學(xué)習(xí)等先進技術(shù)手段，對用戶搜索、觀看新聞資訊的歷史行為數(shù)據(jù)進行全面、深入的分析，以此構(gòu)建出精準(zhǔn)的用戶興趣模型。同時，系統(tǒng)還會對新聞內(nèi)容進行特征提取與表征學(xué)習(xí)，形成具有豐富信息的新聞內(nèi)容向量，這樣能極大地方便用戶快速獲取某一特類新聞信息。通過精確匹配用戶興趣模型與新聞內(nèi)容向量，系統(tǒng)能夠計算出用戶對不同新聞的偏好程度，并據(jù)此生成個性化的推薦列表，從而為用戶提供量身定制的新聞閱讀體驗[4]。

新聞個性化推薦系統(tǒng)的構(gòu)成主要包括以下五個核心模塊：一是數(shù)據(jù)采集模塊，其負責(zé)全面收集用戶行為數(shù)據(jù)、新聞內(nèi)容數(shù)據(jù)等多維度的信息；二是數(shù)據(jù)預(yù)處理模塊，其會對收集到的數(shù)據(jù)進行清洗、轉(zhuǎn)換等一系列操作，以提高數(shù)據(jù)的質(zhì)量和可用性；三是特征提取與表征學(xué)習(xí)模塊，其會對新聞內(nèi)容進行深入的特征提取，形成具有代表性的新聞內(nèi)容向量，并對用戶行為數(shù)據(jù)進行精細建模，構(gòu)建出準(zhǔn)確的用戶興趣模型；四是推薦算法模塊，其會根據(jù)用戶興趣模型與新聞內(nèi)容向量，運用協(xié)同過濾、基于內(nèi)容的推薦、混合推薦等多種先進算法，智能生成個性化的推薦列表；五是反饋與優(yōu)化模塊，其會根據(jù)用戶的實際反饋不斷調(diào)整和優(yōu)化推薦策略，以強化推薦效果，確保用戶能夠持續(xù)獲得滿意的推薦體驗[5]。

（三）個性化推薦在新聞傳播中的重要性

個性化推薦在新聞傳播中的重要性日益凸顯。在信息數(shù)量以秒倍增的時代背景下，用戶面臨巨量且復(fù)雜的新聞信息選擇難題。個性化推薦系統(tǒng)通過精準(zhǔn)分析用戶的興趣與需求，可以為用戶提供定制化的新聞內(nèi)容推薦。個性化推薦能夠顯著提高新聞傳播的精準(zhǔn)度與有效性。通過深入挖掘用戶行為數(shù)據(jù)與新聞內(nèi)容特征，推薦系統(tǒng)能夠精準(zhǔn)匹配用戶需求與新聞內(nèi)容，確保用戶接收到的是對其真正有效的信息，這一特點使新聞傳播更具針對性和實效性[6]。個性化推薦能夠增強新聞傳播的互動性與參與性。通過推薦系統(tǒng)，用戶可以更方便地獲取到自己感興趣的新聞內(nèi)容，這不僅能提升用戶的閱讀體驗，還能激發(fā)用戶參與到新聞內(nèi)容討論與分享中的積極性。個性化推薦還能提升新聞傳播的商業(yè)價值。通過精準(zhǔn)推送用戶感興趣的新聞內(nèi)容，推薦系統(tǒng)能夠吸引更多用戶關(guān)注，進而帶動廣告收入、會員付費等商業(yè)模式的發(fā)展。同時，個性化推薦系統(tǒng)能夠根據(jù)用戶的反饋不斷優(yōu)化推薦策略與廣告投放策略，提高廣告轉(zhuǎn)化率與商業(yè)價值，為新聞傳播行業(yè)創(chuàng)造越來越多的經(jīng)濟效益。

綜上所述，個性化推薦在新聞傳播中發(fā)揮著非常重要的作用，不僅能提升新聞傳播的精準(zhǔn)度和有效性，還能增強用戶與平臺的互動性、用戶自身的參與性，并提升新聞傳播的商業(yè)價值。

三、新聞個性化推薦算法的現(xiàn)狀與挑戰(zhàn)

（一）主流新聞個性化推薦算法現(xiàn)狀

大數(shù)據(jù)背景下，新聞個性化推薦算法已成為提升用戶體驗、增強用戶黏性的關(guān)鍵技術(shù)。當(dāng)前，主流新聞個性化推薦算法主要包括基于內(nèi)容的推薦、協(xié)同過濾推薦以及混合推薦等類型[7]。

基于內(nèi)容的推薦算法，核心在于分析新聞內(nèi)容的特征（如關(guān)鍵詞、主題分類等）與用戶歷史興趣偏好之間的相似度。通過這種方法，算法能夠為用戶推薦與其過去喜歡的內(nèi)容相似的新聞。該算法的優(yōu)勢在于能夠直接利用新聞內(nèi)容特征進行推薦，不依賴用戶—物品交互數(shù)據(jù)，因此在新用戶冷啟動場景下具有較好的表現(xiàn)，但其缺點也顯而易見，即難以捕捉用戶興趣的動態(tài)變化，且推薦結(jié)果可能受限于新聞內(nèi)容的可分析深度。

協(xié)同過濾推薦算法則另辟蹊徑，依賴用戶—物品交互數(shù)據(jù)，如點擊、瀏覽、評論等，通過計算用戶或物品之間的相似度來產(chǎn)生推薦。該算法進一步分為用戶基協(xié)同過濾和物品基協(xié)同過濾兩種[8]。前者通過找到與目標(biāo)用戶興趣相似的其他用戶來推薦物品，后者則通過找到與目標(biāo)物品被相似用戶喜歡的其他物品來推薦。協(xié)同過濾算法能夠捕捉用戶興趣的多樣性和動態(tài)變化，但也面臨冷啟動和數(shù)據(jù)稀疏性問題的挑戰(zhàn)。為彌補各種算法的不足，混合推薦算法應(yīng)運而生。

混合推薦算法將基于內(nèi)容的推薦與協(xié)同過濾推薦相結(jié)合，旨在通過融合兩種或多種推薦算法的優(yōu)勢，提供更全面、更準(zhǔn)確的推薦結(jié)果。然而，混合推薦算法的實現(xiàn)復(fù)雜度較高，需要在不同算法之間平衡權(quán)重和優(yōu)先級，以確保推薦效果的最優(yōu)化。

（二）算法可解釋性與用戶信任度挑戰(zhàn)

在新聞個性化推薦系統(tǒng)中，算法的可解釋性是影響用戶信任度的重要因素之一。傳統(tǒng)的黑盒推薦算法雖然能夠在一定程度上提高推薦的準(zhǔn)確性，但由于缺乏透明度和可解釋性，用戶往往難以理解推薦結(jié)果的產(chǎn)生過程，從而降低對推薦系統(tǒng)的信任度。為提高算法的可解釋性和用戶信任度，研究者開始探索可解釋性推薦算法[9]?？山忉屝酝扑]算法旨在通過提供推薦結(jié)果的解釋或理由來增強用戶對推薦系統(tǒng)的理解和信任。例如，基于內(nèi)容的推薦算法可以通過展示新聞內(nèi)容與用戶歷史興趣偏好的相似度來解釋推薦結(jié)果；協(xié)同過濾推薦算法則可以通過展示與目標(biāo)用戶相似的其他用戶或物品來解釋推薦理由。然而，實現(xiàn)可解釋性推薦算法并非易事：一方面，可解釋性往往與推薦準(zhǔn)確性之間存在權(quán)衡關(guān)系，過于追求可解釋性可能導(dǎo)致推薦準(zhǔn)確性的降低；另一方面，不同用戶對推薦解釋的需求和偏好各不相同，如何提供個性化、可定制的解釋方案也是一個亟待解決的問題。

四、大數(shù)據(jù)新聞個性化推薦算法優(yōu)化策略

（一）構(gòu)建精細化的用戶畫像與融合多源數(shù)據(jù)

在新聞個性化推薦系統(tǒng)中，構(gòu)建精細化的用戶畫像是實現(xiàn)精準(zhǔn)推薦的基礎(chǔ)。用戶畫像不僅包含用戶的基本屬性，如年齡、性別、地理位置等，還涉及用戶的興趣偏好、行為習(xí)慣等多維度生物信息。為構(gòu)建精細化的用戶畫像，需要整合多源數(shù)據(jù)，包括用戶在新聞平臺上的瀏覽、點擊、評論、分享等行為數(shù)據(jù)，以及用戶在社交網(wǎng)絡(luò)、電商平臺等其他平臺上的交互數(shù)據(jù)。多源數(shù)據(jù)的融合可以通過數(shù)據(jù)清洗、歸一化、特征提取等預(yù)處理步驟，將不同來源、不同格式的數(shù)據(jù)整合為統(tǒng)一的用戶畫像模型。在數(shù)據(jù)融合過程中，需注意數(shù)據(jù)的質(zhì)量和時效性，確保用戶畫像能夠準(zhǔn)確反映用戶的最新狀態(tài)和興趣變化。為進一步提升用戶畫像的精細化程度，可采用機器學(xué)習(xí)算法對用戶行為數(shù)據(jù)進行深度挖掘[10]。例如，通過聚類分析將用戶劃分為不同的興趣群體，通過關(guān)聯(lián)規(guī)則挖掘發(fā)現(xiàn)用戶興趣之間的潛在聯(lián)系。同時，可以結(jié)合自然語言處理技術(shù)對用戶的評論、分享內(nèi)容進行情感分析，以捕捉用戶的情感傾向和態(tài)度變化。

（二）深度學(xué)習(xí)在新聞推薦算法中的創(chuàng)新應(yīng)用

深度學(xué)習(xí)作為人工智能領(lǐng)域的重要分支，近年來在新聞推薦算法中得到了廣泛應(yīng)用。深度學(xué)習(xí)模型通過構(gòu)建多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠自動學(xué)習(xí)新聞內(nèi)容和用戶興趣之間的高階特征表示，從而提高推薦的準(zhǔn)確性和多樣性。在新聞推薦算法中，深度學(xué)習(xí)模型可以應(yīng)用于多個環(huán)節(jié)。首先，在新聞內(nèi)容表示方面，可以利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）或循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）對新聞文本進行編碼，提取新聞的關(guān)鍵信息和主題特征；其次，在用戶興趣建模方面，可以利用深度學(xué)習(xí)模型對用戶歷史行為數(shù)據(jù)進行序列建模，捕捉用戶興趣的動態(tài)變化；最后，在推薦生成方面，可以將用戶興趣模型與新聞內(nèi)容表示相結(jié)合，通過深度學(xué)習(xí)模型的預(yù)測能力生成個性化推薦列表[11]。為進一步強化深度學(xué)習(xí)在新聞推薦算法中的應(yīng)用效果，研究者們不斷探索新的模型架構(gòu)和算法優(yōu)化策略。例如，引入注意力機制來增強模型對關(guān)鍵信息的捕捉能力、采用生成對抗網(wǎng)絡(luò)（GAN）來提高推薦結(jié)果的多樣性和新穎性、結(jié)合強化學(xué)習(xí)來優(yōu)化推薦策略的學(xué)習(xí)過程等。

（三）實時熱點與個性化推薦的融合策略

在新聞個性化推薦系統(tǒng)中，實時熱點與個性化推薦的融合是提高推薦時效性和吸引力的關(guān)鍵策略之一。將實時熱點與個性化推薦相結(jié)合，可以采用以下策略：首先，通過爬蟲技術(shù)或API接口實時獲取各大新聞網(wǎng)站、社交媒體等平臺的熱門話題和事件信息；其次，利用自然語言處理技術(shù)對熱門話題和事件進行主題分類或情感分析；最后，將分析結(jié)果與用戶畫像匹配，為用戶推薦與其興趣偏好相關(guān)的實時熱點新聞。在融合過程中，需注意平衡實時熱點與個性化推薦之間的關(guān)系：一方面，要確保推薦結(jié)果中包含用戶感興趣的實時熱點新聞，提高推薦的時效性和吸引力；另一方面，要避免過度追求熱點而導(dǎo)致推薦結(jié)果過于單一或偏離用戶興趣偏好，為實現(xiàn)這一目標(biāo)，可以采用混合推薦策略，將基于內(nèi)容的推薦、協(xié)同過濾推薦等算法與實時熱點推薦相結(jié)合，形成多元化的推薦結(jié)果[12]。

五、用戶體驗影響因素及優(yōu)化方向

（一）用戶體驗的量化評估指標(biāo)

用戶體驗的量化評估是優(yōu)化推薦算法的重要依據(jù)。為科學(xué)、客觀地評價用戶體驗，需要建立一套全面的量化評估指標(biāo)體系，該體系應(yīng)涵蓋用戶滿意度、用戶參與度、用戶留存率等多個維度。用戶滿意度可以通過問卷調(diào)查、用戶評分等方式獲取，反映用戶對推薦內(nèi)容的整體感受；用戶參與度則可以通過用戶在平臺上的行為數(shù)據(jù)來衡量，如點擊率、閱讀時長、完播率、評論互動、收藏轉(zhuǎn)發(fā)等；用戶留存率則體現(xiàn)了推薦算法長期對用戶吸引力的保持能力[13]。這些量化指標(biāo)共同構(gòu)成了用戶體驗評估的基石，能夠為后續(xù)的算法優(yōu)化提供數(shù)據(jù)支持。

（二）個性化推薦對用戶體驗的雙重影響

個性化推薦算法在提升用戶體驗方面具有顯著優(yōu)勢，但也可能帶來一些負面影響。一方面，通過精準(zhǔn)匹配用戶的興趣和需求，個性化推薦能夠顯著提高內(nèi)容的吸引力和用戶的滿意度，增強用戶的參與度和留存率；另一方面，過度依賴個性化推薦可能導(dǎo)致用戶陷入“信息繭房”，限制其接觸新事物的機會，造成視野狹窄和思維固化。此外，推薦算法的不透明性可能引發(fā)用戶的不信任感，進而影響用戶體驗。因此，在優(yōu)化個性化推薦算法時，需要權(quán)衡其正面效應(yīng)與潛在風(fēng)險，尋求最佳的用戶體驗平衡點。

六、新聞個性化推薦系統(tǒng)的倫理考量與隱私保護

（一）“信息繭房”現(xiàn)象與推薦系統(tǒng)的倫理責(zé)任

“信息繭房”現(xiàn)象，即用戶被局限于其興趣范圍內(nèi)的信息之中，是新聞個性化推薦系統(tǒng)面臨的重要倫理挑戰(zhàn)之一。這一現(xiàn)象的產(chǎn)生，根源在于推薦算法過度依賴用戶的歷史行為數(shù)據(jù)，導(dǎo)致推薦內(nèi)容的高度同質(zhì)化，長此以往，用戶可能因此失去接觸多元觀點、拓寬視野的機會，進而影響其認知的全面性和客觀性[14]。為應(yīng)對“信息繭房”現(xiàn)象，推薦系統(tǒng)應(yīng)積極探索多樣化的推薦策略，如引入隨機性元素、增加跨領(lǐng)域推薦等，以鼓勵用戶探索未知領(lǐng)域，促進信息的均衡傳播。同時，推薦系統(tǒng)應(yīng)加強對用戶認知偏見的監(jiān)測與干預(yù)，通過算法優(yōu)化減少偏見對用戶獲取信息的影響，維護信息生態(tài)的多樣性和平衡性。

（二）用戶隱私保護策略與數(shù)據(jù)安全管理

大數(shù)據(jù)背景下，用戶隱私保護是新聞個性化推薦系統(tǒng)不可回避的問題。用戶在使用推薦系統(tǒng)時，會產(chǎn)生大量的行為數(shù)據(jù)和個人信息，這些數(shù)據(jù)一旦泄露或被濫用，就可能對用戶的隱私權(quán)造成嚴(yán)重威脅，因此，構(gòu)建有效的隱私保護策略和數(shù)據(jù)安全管理體系至關(guān)重要。在隱私保護策略方面，推薦系統(tǒng)應(yīng)遵循最小化收集原則，僅收集實現(xiàn)個性化推薦所必需的用戶數(shù)據(jù)，避免過度采集用戶隱私信息。同時，系統(tǒng)應(yīng)采用加密技術(shù)對用戶數(shù)據(jù)進行加密存儲和傳輸，確保數(shù)據(jù)在存儲和傳輸過程中的安全性。此外，推薦系統(tǒng)還應(yīng)實施匿名化處理技術(shù)，對用戶身份信息進行去標(biāo)識化處理，降低用戶被追蹤和識別的風(fēng)險[15]。在數(shù)據(jù)安全管理方面，推薦系統(tǒng)應(yīng)建立完善的數(shù)據(jù)安全管理制度和流程，明確數(shù)據(jù)收集、存儲、處理和使用的規(guī)范和標(biāo)準(zhǔn)；系統(tǒng)應(yīng)定期對數(shù)據(jù)安全進行風(fēng)險評估和漏洞掃描，及時發(fā)現(xiàn)并修復(fù)潛在的安全隱患；系統(tǒng)應(yīng)加強對第三方數(shù)據(jù)服務(wù)提供商的監(jiān)管，確保第三方在數(shù)據(jù)共享和處理過程中遵守相關(guān)法律法規(guī)和隱私保護原則。

七、結(jié)語

在信息化、智能化迅猛發(fā)展的今天，大數(shù)據(jù)新聞個性化推薦算法已成為信息傳播的重要工具，研究其優(yōu)化策略與對用戶體驗的影響具有深遠的現(xiàn)實意義。本文從多個維度進行了深入分析，通過梳理新聞個性化推薦算法的現(xiàn)狀與挑戰(zhàn)，發(fā)現(xiàn)算法在提升信息傳播效率的同時，面臨“信息繭房”、隱私保護等多重挑戰(zhàn)。在優(yōu)化策略方面，本文探討了算法改進、內(nèi)容多樣化以及用戶行為分析等多個方面的策略，旨在提升推薦的精準(zhǔn)度與用戶滿意度。實施這些策略，有望為新聞個性化推薦算法的發(fā)展提供新的思路與方向。

用戶體驗是衡量推薦算法成功與否的關(guān)鍵指標(biāo)，本文通過分析用戶體驗的影響因素及優(yōu)化方向，提出了提升用戶滿意度與忠誠度的路徑。基于大數(shù)據(jù)的新聞個性化推薦算法的優(yōu)化策略與用戶體驗影響研究是一個復(fù)雜而多維的課題，未來，隨著技術(shù)的不斷進步與用戶需求的日益多樣化，這一領(lǐng)域的研究將更加深入與廣泛。期待通過持續(xù)努力與探索，新聞業(yè)界能夠構(gòu)建更加智能、高效、用戶友好的新聞個性化推薦系統(tǒng)，為信息傳播與社會發(fā)展貢獻更大的力量。

參考文獻：

[1] 張靜波.基于大數(shù)據(jù)的電子商務(wù)個性化推薦算法研究與合法性探析[J].電子商務(wù)評論，2024，13（2）：8.

[2] 付思琪.基于用戶體驗的算法焦慮問題研究[J].中國報業(yè)，2022，10（8）：18-19.

[3] 徐遠東.大數(shù)據(jù)技術(shù)在新聞采編中的應(yīng)用[J].電視技術(shù)，2024，9（1）：48.

[4] 沃野.大數(shù)據(jù)時代新聞編輯能力現(xiàn)狀和重構(gòu)問題研究[J].記者搖籃，2022，7（6）：21-23.

[5] 張一帆，林建浩，樊嘉誠.新聞文本大數(shù)據(jù)與消費增速實時預(yù)測：基于敘事經(jīng)濟學(xué)的視角[J].金融研究，2023，16（5）：152-169.

[6] 梁佳.新媒體背景下大數(shù)據(jù)與新聞傳播的結(jié)合現(xiàn)狀及發(fā)展路徑探析[J].新聞文化建設(shè)，2023，3（10）：42-44.

[7] 高韜.淺談大數(shù)據(jù)時代新聞編輯的轉(zhuǎn)型與堅守[J].新聞世界，2023，20（7）：19-21.

[8] 趙存艷.大數(shù)據(jù)時代下新聞編輯的能力重構(gòu)[J].衛(wèi)星電視與寬帶多媒體，2023，6（6）：144-145.

[9] 賈楠.大數(shù)據(jù)時代下新聞發(fā)展面臨的挑戰(zhàn)和應(yīng)對策略[J].記者搖籃，2023，7（1）：9-11.

[10] 卓蘭花. 5G技術(shù)賦能沉浸式新聞傳播研究[J].新聞研究導(dǎo)刊，2022，13（24）：5-7.

[11] 夏紅平.人工智能與新聞傳播的聯(lián)姻[J].新聞文化建設(shè)，2022（18）：18-20.

[12] 白林森，劉暢.人工智能重塑傳媒業(yè)：挑戰(zhàn)與展望[J].東南傳播，2022（7）：74-77.

[13] 李潔. AI技術(shù)介入下的新聞生產(chǎn)趨勢與反思[J].全媒體探索，2022（11）：89-90.

[14] 高可意.人工智能發(fā)展下的新聞傳播機制[J].中國報業(yè)，2022（20）：10-12.

[15] 王勁勝.新聞生產(chǎn)中人工智能的應(yīng)用分析[J].新聞前哨，2022（17）：68-69.

作者簡介 冼曉茵，講師，研究方向：新聞傳播。