【摘要】信息过载催生信息分发的算法推荐技术兴起。然而，随着算法推荐的实际应用，一些社会性问题日渐凸显：对于个体而言，算法推荐在个体选择性接触和媒体“流量为王”思维的共同作用下，理论上的“千人千面”演变为“信息茧房”现实困境；对于群体而言，“信息茧房”进一步产生群体性的“千人一面”的“回音室”效应，与“判断型话题”、同质性群体结构、网络传播的匿名性等原生影响因素共同作用，助推“群体极化”现象，进而消解算法时代的“媒体公共性”；优化算法，将“编辑算法”与“推荐算法”相结合，实行兼具信息分发多样化与个性化的混合推荐算法，将媒体公共性重建与个性化需求满足有机结合，是破解算法推荐社会性困境的现实可行途径。

【关键词】 算法推荐 信息茧房 群体极化 媒体公共性 优化算法

一、算法推荐下的个体困境：从“千人千面”到“信息茧房”

（一）“算法推荐”的源起：个性化信息分发的“千人千面”

“前Web时代，机器连接构成了终端网络；Web1.0时代，超链接构成了内容网络；Web2.0时代，个体连接形成关系网络”。 作为新的子网络，服务网络在内容网络与关系网络相互交错时兴起，这是后Web2.0时代的特征。

在后Web2.0时代服务网络兴起之前，信息分发方式主要经历了两种模式：第一种是传统的编辑人工分发。报纸、广播、电视等传统媒体创办的数字化媒体以内容网络为主要特征，信息分发模式以编辑为主导，编辑在这个过程中充当着“把关人”的角色，“把关人”决定着哪些信息能够分发出去。但是囿于技术和媒体类型的原因，编辑分发只能实现目标受众的群体性连接，无法实现目标用户个体的精准到达。第二种是社交媒体的社交分发。进入Web2.0时代，随着社交媒体的蓬勃发展，人与人之间的联系从面对面的线下交往转移到线上关系网络的交往。在这个转变过程中，社交媒体充当了重要的信息传播介质，而通过社交媒体传递信息也成为信息分发的重要模式。社交分发的典型代表是微博和微信，在微博上，用户可以关注自己感兴趣的博主或者话题，随时发表评论；在微信上，用户可以通过订阅微信公众号获取自己感兴趣的信息。社交分发打破了传统编辑分发“千人一面”现象，不同的用户通过社交关系主动寻求自己所需信息，社交分发过程具有了交互特征。

伴随后Web2.0时代服务网络的兴起，一种不同于上述两种模式的新的信息分发模式出现了，即当下数字化媒体广泛使用的算法分发模式。以人工智能算法为主导的信息推荐系统，可以高效实现每个用户信息诉求的个性化推荐。算法分发是Web1.0内容网络与Web2.0关系网络走向融合的必然结果。信息的无限性与个体注意力的有限性之间存在着必然的矛盾，为了解决这种矛盾，基于算法推荐的信息过滤服务成为必然选择，而基于服务网络收集的用户数据可以成为个性化信息分发的基础。

在个性化信息分发的过程中，算法推荐技术发挥着重要的作用。目前，“用于推荐系统的算法大致有以下几类：基于流行度的算法、协同过滤的算法、基于内容的算法、基于模型的算法、混合算法”。 其中，基于内容的推荐算法和基于关系的协同过滤推荐算法是目前我国运用最广泛的算法推荐技术。 前者根据用户浏览和关注的信息，推荐内容相似的信息；后者通过协同过滤推荐技术，在庞大的用户群体中寻找与目标用户具有相同兴趣的用户，通过处理他们对于其他信息的看法与感兴趣程度，预测目标用户对于该类信息的感兴趣程度。 伴随着用户信息选择时个体行为痕迹的不断加强，基于人工智能的算法推荐系统根据用户的使用痕迹，描绘出用户的画像，算法推荐对用户喜好的预测也越来越精准，符合用户兴趣的信息将被再次推送到用户手中，如此反复，用户每一次对信息的选择痕迹都在强化其在推荐系统中的个性化标签。所谓算法推荐“越用越懂你”，对用户兴趣的把握程度将日趋“精准化”，最后以用户直接个性化“私人订制”为最高“精准度”。算法推荐这种新的个性化信息分发模式，理论上可以实现高效地实现“千人千面”。

（二）“算法推荐”的实践演变：从“千人千面”到“信息茧房”的个体困境

基于算法推荐技术的信息分发，解决了数字化媒体时代，用户在信息过载时的选择难题，满足了用户在快节奏时代以最少的时间成本获取个性化信息选择的诉求，在一定程度上解决了信息分发的“效率”问题。

然而，从实际应用的社会效果来看，“算法推荐”原本意义上的 “千人千面”落脚于单个用户，却演变为了每个用户只能看到“几个面”甚至 “一个面”，造成用户实际信息获取的“窄化”，久而久之，个体面临信息获取“不公平”问题，即“信息茧房” (Information Cocoons)下的个体困境。

尼古拉斯·尼葛洛庞帝在互联网出现之初，就预言了“我的日报”（the Daily Me）现象，个体完全根据自己的兴趣选择内容进入报纸，删除自己不想看到的内容。“我的日报”本质是信息的私人订制，其核心问题就涉及了“信息茧房”。

凯斯·桑斯坦（Cass R. Sunstein）在《信息乌托邦》一书中定义了“信息茧房”,“我们只听我们选择的东西和愉悦我们的东西的通信领域”。 在信息传播中，公众只关注自己感兴趣的内容，久而久之就像蚕吐丝一样，把自己包裹在茧房中，与外界其他信息隔绝。

算法推荐下的个性化信息分发模式，通过基于关系和内容的推荐算法，不断过滤信息；个体所接受的信息被局限在狭窄的“茧房”中。这是科技的发展带来惊人的力量：“消费者过滤所读所看所听的力量随之越来越强大”。 “无限过滤”，这个听起来像是在科幻小说才会出现的概念，正在技术的加持下逐步变为现实。显而易见，算法推荐技术为“信息茧房”的形成提供了巨大的便利。

“信息茧房”现象固然与算法推荐技术密切相关，然而，更进一步而言，算法推荐技术的发展仅是“信息茧房”出现的一个推手，“千人千面”演变为“信息茧房”离不开当下媒介现实环境的“土壤栽培”。我们不应该陷入狭獈的“技术决定论”之中，新技术下的社会问题并不一定是新问题，所谓新问题有可能是旧问题在新技术下更换了新的外衣。信息过载下个体主动的“选择性接触”以及媒体对流量的疯狂追求，继而对个体喜好的主动迎合才是“信息茧房”现象背后两大深刻的社会根基。

一方面，选择性接触假说认为，在面对大众传播的信息时，受众更愿意接触与自己原有立场相近的内容，回避与自己观点相异的信息。在数字化媒体时代信息过载的现实情形之下，选择性接触现象更为突出。“信息茧房”的出现与个体的选择性接触密不可分，个体有意识地接触某一类信息，同时规避其他信息，这种行为本来就会导致个人视域的狭窄化，而在人工智能下算法推荐的加持下，个体所能接触的信息更加固化，“信息茧房”被不断地加固。

另一方面，媒体为了获取更大的流量，对用户个体信息选择喜好主动迎合。在互联网“流量为王”的市场生存法则之下，媒体为了获取更大的流量，想尽办法留住用户，主动迎合用户的喜好成为媒体的市场选择。越来越多的媒体为了争夺用户、占领市场，在信息分发的过程中，有意识地选择用户喜欢的“几个面”甚至是极端的“一个面”进行推荐。根据观测，算法推荐有时会将用户偶尔的选择行为痕迹（网站点击、浏览、搜索、评论）视为用户不变的兴趣选择，持续推送相关信息；而另一方面，一些用户感兴趣的内容却因为缺乏流量而不被推荐，这一现象可能与当下算法技术缺乏“动态性”有关，但是，更多的情形却与媒体“流量为王”的市场选择倾向密不可分。

由上，如果说在信息过载的环境下，个体的主动选择性接触行为是“信息茧房”产生的个体性社会根基；那么，新兴的算法媒介对流量的追求转而对个体选择喜好的主动迎合，则是加固个体“信息茧房”的媒体性社会根基。算法推荐技术迎合了个体与媒体的社会现实选择，对两者起到了推波助澜的加持作用，助推个体实际信息接触的“茧房”问题。对于个体而言，每个人看到永远只有自己感兴趣的一面或几面，算法推荐理论上的“千人千面”变成了个体的“一人几面”甚至“一人一面”，造成个体信息接触新的社会公平性问题。

二、算法推荐下的群体困境：从“回音室”到“群体极化”

如果说“信息茧房”效应下，个人信息视域的窄化是算法推荐技术对个体产生的社会性影响，那么“群体极化”现象则是算法推荐技术对群体产生的社会性影响。这种影响主要是通过网络群体“千人一面”的“回音室”中介效应而发生作用的。

（一）新媒体环境下的“群体极化”概述

“群体极化”这一术语，最早由科林·弗雷瑟（Colin Fraser）等人在1971年使用，但是对于“群体极化”现象的研究却早于该术语的提出，其相关研究最早可追溯至1961年美国社会心理学家詹姆斯·斯通纳（James Stoner）对群体讨论及决策的研究。而第一次使用“极化”（polarization）和“极化效果”（polarization effect）描述群体意见经过讨论出现偏移现象的是欧洲社会心理学家莫斯科维奇（Moscovici）和扎瓦洛尼（Zavalloni）等人。

以往群体极化研究多从社会心理学的研究视角出发，在相当长的一段时间内，群体极化的相关研究被社会心理学主导，进入21世纪以后，群体极化研究引起了政治学研究者的关注，它们将关注的焦点聚集在“极化”之上，“群体极化”研究也转向“公众极化”研究。但是, 政治学的研究并不是极化研究的唯一生发点，社会议题也是极化研究的一个方向。随着传播技术的发展与进步，媒介与群体极化之间的关系也逐渐引起研究者们的注意，群体极化研究中的传播学转向，主要是新媒体环境下的极化研究，尤其是以计算机为中介（computer-mediated-communication，CMC）的传播情境对于群体极化的影响，它不同于以往面对面的线下群体讨论。而在以往新媒体环境下的“群体极化”研究，鲜有专门针对CMC情境下算法推荐技术具体实践的探讨。

总体来看, 随着技术的发展，对群体极化的研究经历了一系列的转向，从社会心理学转到政治学以及传播学。社会心理学聚焦小型组织化群体在决策过程中意见的偏移；政治学则关注社会舆论的转向和分化；而传播学则展现出对新媒体传播形态的重视。

凯斯·桑斯坦是最早从互联网视角分析研究群体极化的学者 ，他提出，在新的传播技术和网络环境下，兴趣相投的群体会互相交流讨论，而这种讨论的结果是，群体的想法没有改变，但是在形式上却更加极端了。 因此不难发现，桑斯坦认为网络和新的传播技术大大增加了群体极化的可能性。

群体极化这一现象经过了很多学者的讨论，其基本含义是一致的。“团体成员一开始即有某些偏向，在商议后，人们朝偏向的方向继续移动，最后形成了极端的观点”。 然而，值得注意的是，群体极化所关注的核心问题是群体成员态度的转变，这个转变有可能是正向的极端，也有可能是负向的极端。

群体极化强调的是经历了群体讨论的过程之后，群体态度的变化。但是，实际上群体讨论并一定会造成群体极化。经过讨论，群体态度可能没有发生改变，也有可能发生“去极化”现象。所谓“去极化”是指群体在经过讨论以后，立场的偏移与初始方向相反，向另一个极端发展。例如，如果原有的群体是对艾滋病持有歧视的态度，经过讨论后，群体改变了立场，对艾滋病的接受程度提高，那么这就是“去极化”，反之则是群体极化。但是，在新媒体技术环境下，群体极化比“去极化”的可能性更大，尤其是当算法推荐技术成为信息分发的主要方式之时。

（二）算法推荐下“回音室效应”与“群体极化”的关系

当讨论算法推荐技术如何作用于群体极化之时，我们需要引入一个概念——“回音室效应”（echo chamber effect）。新媒体环境下群体产生的社会性困境——群体极化现象，是通过“回音室效应”（echo chamber effect）的中介性影响而发生作用的。

凯斯·桑斯坦在定义“信息茧房”时提及了“回音室”，互联网在聚合信息方面提供了巨大的风险，“通过互联网很容易获得各种观点，甚至是成百上千、上百万人的共同协作，风险和承诺都源于此。每一天，具有相似想法的人都能并且的确把自己归入他们设计的回音室，制造偏激的错误、过度的自信和没道理的极端主义。”

在网络社会中，观点相似的人在同质化的网络群体中发言，那些实际上由同一群人发出的声音被不断地重复和放大，由此易造成网络群体的聚集、形成“千人一面”，进而对异质性观点产生排外性“挤出”作用，从而形成同一网络社群的群体性极化偏激言论。

在如今技术高速发展的时代中，我们无时无刻不置身于信息“回音室”之中。伴随着新媒体技术的发展，网络社群“回音室效应”对群体极化的中介性影响，不断地从Web1.0时代的网站到Web2.0时代的的社交媒体，再到后Web2.0算法媒体发生社会性更迭。新技术使我们获取很多过去无法获得的信息，包括各种新话题和新观点。从确保接触到更多意见和话题的角度而言，新技术无疑是带来的是巨大的机遇。但是，真实的情况却是网络上讨论的话题往往更加局限。

桑斯坦以美国市政厅网站为例，和真实的市政厅不一样，在市政厅网站中，公众只能看到保守的言论，从市政厅网站可以链接到数十个其他网站，但是这些网站无一例外都是保守的政治组织建立的。 简而言之，每个组织都会建立自己的网站，而大部分都会链接到与自己立场相同的网站，很少与反对者的网站交流链接。

相同的情况出现在目前各种社交媒体的使用之上，微信公众号下的评论往往是支持发布者观点言论的合集；微博中与原博主相异的评论受到博主粉丝的反击批驳。“回音室效应”对群体极化的形成具有重大影响，“在线讨论的参与者会发现，讨论结果并非开放性地吸引对话其他方的可取的观点，而常常只导向己放信念体系的进一步增强。”

算法推荐技术加强了“回音室”效应的形成，在算法推荐技术产生之前，人们需要通过主动搜索信息或加入感兴趣的网络社群，主动寻找才能获得相同兴趣的信息来源，加入相同兴趣的团体；但是在算法推荐技术的助推下，人们能够轻易获得相同信息，找到志同道合的人。人们获取的信息都是通过“回音室”反射回来的自己的声音。

个体与群体在选择性接触理论下，通过“回音壁效应”和“极化游戏效应”造成了意见的极化。 就个体而言，算法推荐技术使得人们只关注自己感兴趣的内容，人们置身于信息的“回音室”之中，反复接受相同的观点，导致个体对某类议题的理解日渐偏执，不断走向极化。就群体而言，基于“回音室效应”的“极化游戏”造成了群体极化：如果参与者反复讨论，例如定期会面、表达观点、投票，那么群体的观点将不断趋向极化。在这些反复的“极化游戏”中，随着时间的推移，个人的立场比讨论开始前更极端，群体和个人都将会被置于他们之前无法接受的境地。

（三）算法推荐下“群体极化”：“回音室效应”的具体中介性影响

以上我们从理论上讨论了新媒体环境下，“回音室效应”与“群体极化”之间的一般性关系，下面针对当下算法推荐的新媒体环境，进一步讨论算法推荐技术下，“回音室效应”如何造成并加速群体极化形成的。具体而言，算法推荐技术是通过作用于易于造成群体极化的原生性影响因素，从而激发网络社群“回音室”中介效应的影响，最终引发网络群体的群体极化。

蒋忠波总结了麦克格拉斯（McGrath，J. E.）对群体互动产生影响的四个因素 ，提出了话题性质、群体结构和传播媒介特性三个因素会对群体极化产生影响。本文将具体讨论这三个因素如何在网络群体“回音室”的作用下，最终引发群体极化现象的。

首先，在算法推荐技术造成的“回音室”中，观点都是相似和同方向的，因为聚集在“回音室”中的人们往往具有相同的兴趣爱好，对于话题的讨论也往往具有相同的偏向，这是算法推荐技术下“回音室”的一大特征。在算法推荐技术的加持下，群体聚集在一起讨论往往不是为了得出一个正确答案，而是为了寻找认同、获得支持。换言之，算法推荐下的“回音室”中网络群体讨论的话题多为“判断型话题”（judgmental issue），而非“知识型话题”（intellective issue）。而“判断型话题”所产生的群体极化程度高于“知识型话题”。 因为“知识型话题”一般存在一个正确答案，“判断型话题”不存在可以被证实的正确答案。这样的区别导致对于“判断型话题”，群体讨论是为了确定一个群体认可的“正确答案”，这也就使得“判断型话题”本身就带有偏离的可能性，其讨论得出的结果往往是带有偏向性的。

其次，算法推荐技术基于内容算法和关系算法进行信息推荐和分发，往往会造成同类人群的聚集，群体之间往往差异性较小，而同质性较高的。在群体结构方面，相较于内部异质性群体而言，“内部同质性的群体经过讨论后产生群体极化的可能性和程度都会比较高。” 也就是说，同类人群之间的讨论更容易造成群体极化。这是因为异质性群体的讨论会有较多的不同观点相互碰撞，人们通过获取不同的意见，不断修正自己的意见，而同质性群体因为听不到反对的声音，往往会朝一个方向发展。显然，在“回音室”之中，观点不同的人很难共存，即使有意见相反的人，他们也会出于被孤立的恐惧，不表明自己的观点，由此强势的声音愈发昭彰，弱势的声音日益微弱，人们很难听到与自己意见相悖的观点，群体极化也更易形成和发展。

最后，算法推荐技术属于一种以计算机为中介（CMC）的传播情境，在这样的情景中，人们是匿名的，这加大了群体极化的风险。算法推荐技术使无数对同一话题感兴趣的个体聚集在一个“回音室”中，而这个“回音室”又是一块巨大的幕布，人们隐身在幕布之后发表言论，无法识别身份。这样的设定显然是危险的，从社会比较理论（Social Comparison Theory，SCT）角度解释，匿名性导致了禁忌的消解，从而激发人们做出更多攀比行为, 以追求自身利益的最大化。 由于网络的匿名性，人们往往肆意发表观点，对自己支持的观点大肆宣扬，对反对的观点用力批驳，这种现象很容易在媒体的评论区发现。当处于同一“回音室”的其他人看到这些偏激的观点之时，会不自觉地被这些观点影响，进而加入这一阵营去影响其他人，即使这些观点本身可能是完全错误的，这就是所谓的“虚拟串联”。人们通过虚拟的网络获得信息并进行传播，每个人在面对新信息的时候都有一个基准点，基准点较低的人比较容易相信网络上的信息进而采取行动，随着讨论的进展，基准点较高的人也会逐渐加入这个团体，因而赞同该想法团体会越来越大。 这样的串联效应或雪球效应导致的后果是：无论事实是否是真实的，大批群众都选择相信这件事，这是仅仅是因为，其他人看起来也都相信这件事情是真实的。

综上所述，通过分析易于造成群体极化的三个原生性影响因素：“判断型话题”、同质性群体结构、网络传播的匿名性，我们不难发现，在数字化媒体时代，算法推荐技术加大并加速了“群体极化”发生的可能性，人们不再是简单地聚集在同一个“回音室”中讨论，而是朝着“群体极化”的方向越走越远。

三、突破算法推荐困境：优化算法，重建媒体公共性

（一）媒体公共性：算法推荐困境的天然破局者

媒体的公共性研究可以追溯至哈贝马斯提出的“公共领域”，在这里，哈贝马斯所提出的公共领域被界定为“一个介于国家与市民社会之间的领域，它的基本原则是参与性的、平等的和理性的对话。”

对于媒体公共性的进一步探讨方向，主要表现为以下几个方面：首先，媒体成为“公共论坛”，公众可以在这里就公共问题展开讨论，获取信息。其次，媒体拓展了“公共领域”的时间性和空间性，将具有地方性的公共空间诸如街道、花园，扩展成为超越时空限制的公共空间。最后，媒体塑造了现代舆论的主体——公众。

桑斯坦引入了“公共论坛”的概念来阐释媒体的公共性，公共论坛的一个特点在于“赋予演讲者接触场所和人的权利”。 传统的“公共论坛”是公民聚集、沟通思想并讨论公共事务的街道和公园，随着技术发展，报纸、广播、电视、杂志等公共媒体都成为了公共论坛。在报纸上，读者可以读到不同的文章，听到的不同的声音，甚至接触到自己并不喜欢的领域，原则上增加了人们置身于不同看法中的可能，这正是公共论坛的目标。广播、电视、杂志等也有相似的功能。

其次，大众媒体相较于传统的诸如街道、公园这样的公共论坛而言，具有了超越时间和空间的属性。公众了解的信息不再局限于一个社区，他们可以通过大众媒体了解不同地域的信息；而大众媒体通过文字、图片的形式将信息固定下来，使得信息超越了时间，具有了保存的可能性。

最后，早在20世纪初，法国学者塔尔德就注意到了媒体的社会公共功能，他认为作为公共媒体的报刊对社会的一个主要贡献是造就了现代舆论的主体——公众。“在报刊出现之前，社会群体聚集在同一物理空间中，具有情绪性和激动性，容易受到暗示和感染，因此容易形成非理智的群体性行为。而报纸导致了公众的出现，公众是由‘有理性、有知识、有教养’的个人组成” ，公众的规模随着报刊的普及而不断扩大，社会也随着公众规模的扩大而逐渐稳定。

然而，随着数字化媒体兴起，报纸、广播、电视等传统媒体式微，由传统媒体构建的媒体公共性也遭到了破坏。算法推荐带来的个性化订制信息消解了媒体的“公共论坛”，公众只关注自己感兴趣的领域，只听与自己意见相同的观点，只阅读自己喜爱且同意的内容；那么，哪里还会有公共领域的存在？

突破算法推荐带来的“信息茧房”、群体极化等社会困境，需要重建媒体的公共性，把媒体的公共性引入当下算法推荐的网络公共空间之中，将是解决算法带来的社会困境的可行之路。

然而，重建媒体公共性并不意味着媒体应该重新回到报纸、广播、电视的时代，因为在互联网海量信息的今天，试图仍然采用完全的人工编辑审定分发的模式显然是不可能的，算法分发是数字化媒体时代的大势所趋，那么，由算法推荐技术带来的问题实际上可以通过优化算法推荐的逻辑来解决。

（二）优化算法推荐：“落地化”解决媒体公共性的重建

媒体的公共性要求媒体必须按照公共领域的规范而展开其实践。它含有这样的理论认识：“媒体公共性指的是传媒作为社会公器服务于公共利益的形成与表达的实践逻辑。” 但是，需要申明的是，传媒是否作为社会公器存在，“只能通过分析传媒的实践以及规训其实践的体制安排。”

换言之，“媒体的公共性最终落实于新闻媒体的话语表达及其实践活动中。” 但是，其公共性的落实受限于政府体制与受众。一方面，媒体受到政府的管制以及约束；另一方面，媒体公共性呼唤公众参与意识与政治意识的觉醒。因此，媒体公共性的重构绝非媒体单个主体可以完成，它涉及到政府和公众等多个维度和属性。但是，“媒体公共性核心在于在多大程度上，一个体制提供了展开自由、开放、公平、平等、公正和理性交往之空间和保障，而且在多大程度上，处在其中的传媒以其实践，为这种交往之展开扮演了平台和服务的角色。” 因此聚焦于媒体自身的实践以实现媒体的公共性，这是极具讨论价值和可行性的。

从实践层面来看，当下整个社会人们的信息需求，主要分为三个层次：整体性信息需求、群体性信息需求以及个体性信息需求；三类信息所涉及的内容分别是共性需求内容、分众化内容以及个性化信息内容。 在报纸、广播、电视占主导地位的传统媒体时代，媒体主要满足整体的共性需求信息，部分涉及群体的分众化信息，基本没有个性化信息。然而，到了数字化信息时代，媒体的信息分发产生了颠覆式的改变，主要满足用户的个性化需求，却忽视了整体的社会共性需求，因而，各种问题也随之而来。由此看来，重塑媒体的公共性，需要算法推荐系统满足用户对社会整体的共性信息需求，强化媒体的网络公共“议程设置”功能，允许用户作为公众广泛参与媒体的公共论坛讨论。

在当今算法推荐主导下的高效信息分发模式下，如何践行媒体的公共性？一条可行之路在于：诉诸算法推荐技术，或者更宽泛意义上而言，诉诸技术。诚然，当前社会面临的许多问题，诸如个体算法困境、群体极化乃至媒体公共性的消解，都与算法推荐技术密不可分，更进一步而言，与算法推荐技术初兴之时人文社会逻辑的缺失息息相关。但是，当我们回过头去看这些问题时，可以发现技术带来的问题恰恰能够诉诸算法技术解决。具体而言，优化算法推荐的逻辑、将“编辑算法”与“推荐算法”结合都是可行之路。

首先，优化算法推荐逻辑可以兼具信息分发多样化与个性化。算法推荐可以跳出固有的推荐模式，增加媒体的公共“议程设置”的功能，引导受众关注公共事件。实际上，越来越多的媒体已经开始有意识地引导用户关注公共信息，不少的移动新闻客户端都会设置“置顶”功能，将涉及国家大事的资讯置顶在其他所有信息的顶部。但是，这种强制性置顶的信息分发模式也存在一定的问题。第一，公共事件不应该仅仅限于国家大事，公众对于身边的、与自身关系密切的公共事件的关注度可能会更高，然而将所有这类资讯置顶显然是不可行的。第二，置顶模式往往会激发用户的抵触心理，导致用户故意忽略置顶信息，这样造成的后果是：用户实际上关注的仍然是“信息茧房”中的信息。

那么应该如何优化算法推荐逻辑？混合推荐算法或许能够为我们提供一些思考。混合推荐算法是指融合诸如基于关系、基于内容、基于流行度等各类算法推荐技术，对这些算法技术加权、并联或串联融合使用。 为了克服单一算法推荐的弊端，这些算法逻辑应该被整合在一起，形成一种兼具个性化推荐与公共信息分发的社会性逻辑。换言之，基于混合推荐算法的信息分发模式，既可以让用户获取自己感兴趣的资讯，同时也可以了解身边朋友、同事等人所关注的议题，更重要的是可以让用户了解并参与公共事件的讨论。

其次，“编辑算法”与“推荐算法”相结合，也是重塑媒体公共性的可行之路。喻国明认为，基于算法推荐的信息分发方式仍然属于弱人工智能。 而弱人工智能只是一种工具性的存在，在面对海量信息时，弱人工智能式的信息分发在价值判断与选择上均有欠缺。 所以，基于人工智能的“推荐算法”应该与基于人工的“编辑算法”相互结合，互为有机补充。

面对不同类型的信息，应该采用不同的算法，不能用一刀切的方式去进行信息的分发和推荐。对于整个社会关注度影响最大的整体性信息应该采用“编辑算法”进行分发，换言之，“以编辑分发为基本范式的分发标准应该成为整个社会性的、共性的需求市场上的‘压舱石’、和‘指南针’。” 而群体性信息和个性化信息内容则可以使用“推荐算法”进行分发。

总而言之，由算法带来的问题实际上可以通过算法来调节，通过优化算法逻辑、结合“编辑算法”和“推荐算法”，媒体可以将多元的信息分发至公众手中，重塑媒体的公共性，在实现个性化推荐的同时，兼顾多样性。一言以蔽之，在实现信息“千人千面”的同时，进一步实现“一人千面”。

媒体的公共性已经被无数学者反复论述，然而，随着时代的发展和技术的进步，媒体的社会公共功能式微，重建媒体公共性的呼声也日益高涨。只有重建媒体的公共性，使公众有自由讨论的公共领域，个体才能够突破“信息茧房”，看到多元的社会，群体也能降低极化的可能性，从而实现社会的稳定。正如桑斯坦所言，当信息不再是被订制的时候，就像行走在大街上，你在那里不只会碰到老友，还会遇见形形色色的人。

【参考文献】

[1] 沙莲. 传播学:以人为主体的图象世界之[M].中国人大学出版社, 1990.

[2] 哈贝马斯, 曹卫东. 公共领域的结构转型[M]. 学林出版社, 1999.

[3] 凯斯·桑斯坦, 黄维明. 网络共和国:网络社会中的民主问题[M]. 上海人民出版社, 2003.

[4] 齐格蒙特?鲍曼, 欧阳景根. 共同体[M]. 江苏人民出版社, 2007.

[5] 凯斯?桑斯坦, 毕竟悦. 信息乌托邦[M]. 法律出版社, 2008.

[6] 郭庆光. 传播学教程.第2版[M]. 中国人民大学出版社, 2011.

[7] Vinokur A , Burstein E . Effects of partially shared persuasive arguments on group-induced shifts: A group-problem-solving approach.[J]. Journal of Personality and Social Psychology, 1974, 29(3):305-315.

[8] Isenberg, Daniel J. Group polarization: A critical review and meta-analysis.[J]. Journal of Personality and Social Psychology, 1986, 50(6):1141-1151.

[9] Sunstein, C. R. The Law of Group Polarization[J]. Journal of Political Philosophy, 2002,10(2), 175–195.

[10] 方延明. 媒介公共性问题研究三题[J]. 扬州大学学报(人文社会科学版), 2004, 8(6):58-62.

[11] 汪晖, 许燕. "去政治化的政治"与大众传媒的公共性——汪晖教授访谈[J]. 甘肃社会科学, 2006(4): 235-248.

[12] 孙藜. “人行道”还是“回音室”——网络的民主风险及其管制[J]. 新闻记者, 2007(11):113-115.

[13] 于隽. 建设媒体公共空间的有益尝试——凤凰卫视《一虎一席谈》解析[J]. 现代传播, 2007(6): 165-166.

[14] 张金海, 李小曼. 传媒公共性与公共性传媒——兼论传媒结构的合理建构[J]. 武汉大学学报(人文科学版), 2007, 60(6):863-867.

[15] 潘忠党. 传媒的公共性与中国传媒改革的再起步[J]. 传播与社会学刊，2008(6)：1-16.

[16] 朱清河. 论传媒公共性及其实现途径[J]. 现代传播：中国传媒大学学报, 2008(4):30-33.

[17] 吴治文. 我国新闻媒体公共性之新解[J]. 青年记者, 2009(2):28-29.

[18] 卢迎安. 重建媒介公共性:现实困境与学术焦点——新世纪以来媒介公共性研究述评[J]. 新闻传播, 2009(4)：4-5.

[19] 赵桂华. “新媒体事件”与传媒公共性[J]. 新闻爱好者, 2010(9)：14-15.

[20] 边巍. 公共性是媒介的天然属性[J]. 传媒观察, 2011(2)：30-31.

[21] 邓若伊. 论自媒体传播与公共领域的变动[J]. 现代传播(中国传媒大学学报),2011(4)：167-168.

[22] 许鑫. 传媒公共性:概念的解析与应用[J]. 国际新闻界，2011(5)：63-70.

[23] 彭兰. 从“大众门户”到“个人门户”——网络传播模式的关键变革[J]. 国际新闻界，2012(10)：6-14.

[24] 陈进华，张寿强. 论自媒体传播的公共性及其道德底线[J]. 江海学刊，2012(6)：107-111.

[25] 彭兰. “连接”的演进——互联联网进化的基本逻辑[J]. 国际新闻界，2013(12)：6-19.

[26] 胡泳. 新词探讨:回声室效应[J]. 新闻与传播研究, 2015(6):109-115.

[27] 王宇航，王庆福. 协同过滤在个性化推荐中的应用[J]. 数字技术与应用，2015(12)：101.

[28] 汪洁. 关于自媒体传播的公共性解读. 新闻研究导刊[J]，2015(15)：108.

[29] 胡婉婷. “信息茧房”对网络公共领域建构的破坏[J]. 青年记者, 2016(15)：26-27.

[30] 张灯. 从传播心理学角度看社交媒体下的群体性孤独[J]. 新闻研究导刊. 2016(13)：65.

[31] 夏倩芳, 原永涛. 从群体极化到公众极化:极化研究的进路与转向[J]. 新闻与传播研究, 2017(06):6-33+127.

[32] 潘忠党. 导言：媒介化时代的公共传播和传播的公共性[J]. 新闻与传播研究，2017(10)：29-31.

[33] 潘忠党，陆晔. 走向公共：新闻专业主义再出发[J]. 国际新闻界，2017(10)：91-124.

[34] 郝雨，李林霞. 算法推送：信息私人定制的“个性化”圈套[J]. 新闻记者，2017(2)：35-39.

[35] 何婷. 新闻客户端个性化推荐引发的“信息茧房”现象[J]. 新媒体研究， 2017(19)：9-10.

[36] 丁晓蔚，王雪莹，胡菡菡. 论“信息茧房”矫治——兼及大数据人工智能2.0和“探索—开发”模式[J]. 中国地质大学学报（社会科学版），2018(1)：164-171.

[37] 张玲玲，孙奇. 基于“信息茧房”效应的新闻内容分发策略研究[J]. 出版参考，2018(10)：26-29.

[38] 郭珅. 信息茧房:社交媒体下的“群体性孤独” [J]. 新闻世界，2018(3)：56-59.

[39] 彭兰.. 假象、算法囚徒与权利让渡:数据与算法时代的新风险[J]. 西北师大学报(社会科学版)，2018(5)：20-29.

[40] 周建明、马璇.个性化服务与圆形监狱：算法推荐的价值理念及伦理抗争[J]. 社会科学战线，2018（10）：168-173.

[41] 喻国明. 人工智能与算法推荐下的网络治理之道[J]. 新闻与写作, 2019(1):61-64.

[42] 蒋忠波.“群体极化”之考辨[J].新闻与传播研究，2019（3）：7-27.

[43] 张爱军、梁赛.网络群体极化的负面影响和规避措施[J]. 学术界，2019（4）：75-83. 

分享让更多人看到