栏目热门
排列三第19270期万人王:本期两胆关注2 5
排列三第19270期万人王:本期两胆关注2 5
传播德孝 守护幸福
传播德孝 守护幸福
  • 您当前的位置:茅栗资讯 > 国际 > 主流价值导向:社会化推荐的关键维度

主流价值导向:社会化推荐的关键维度

浏览次数:1702   2019-10-22 08:34:48

随着电子商务的快速发展和社交媒体的广泛应用,商品、交易、新闻、评论和用户等社交大数据呈爆炸式增长。庞大的网络用户和巨大的市场规模在促进经济社会快速发展的同时,也带来了新的挑战。一方面,面对海量交易信息和文本、图片、视频等复杂信息,信息过载问题日益突出,严重制约了市场相关参与者的目标实现。另一方面,尽管当前信息传播的多样化和智能化促进了网络内容的多样化、情感和信息共享的便利性和普及性,但面对全球思想文化交流的复杂局面和商业网络平台中的逐利现象,网络传播中一些违背主流价值取向甚至庸俗信息的网络内容的存在对社会稳定和有效治理提出了挑战。在此背景下,从技术层面解决信息过载问题,通过信息导向引导营造良好的信息环境,成为应对挑战的关键要素。科学有效的社会推荐对于解决上述问题具有重要的现实意义。

在大数据时代,传统推荐方法面临瓶颈

推荐的研究可以追溯到tapestry,一个由施乐公司帕克研究中心在1992年开发的邮件过滤系统。面对大量的电子邮件,人们迫切需要高效的文件管理技术来提高工作效率,tapestry的诞生就满足了这一需求。20世纪90年代末,作为亚马逊网站核心竞争优势的手动书目推荐团队,成立了“亚马逊之声(Amazon Voice)”栏目,成功提高了图书的销售业绩。然后,基于顾客历史偏好信息与商品之间的相似性,亚马逊引入了一种新的推荐技术,带来了比手工推荐团队更高的经济价值,其销售贡献达到亚马逊网站的30%。自2009年以来,随着社交媒体的发展,好友推荐技术已经成为脸书和推特社交平台扩大用户规模、保持粘性的重要法宝。近年来,随着人工智能的快速发展,深度学习技术极大地推动了推荐研究的发展,已成为国际商业公司的重要推荐方法。

在中国电子商务行业的发展过程中,电子商务平台非常重视推荐系统的研发。例如,淘宝推荐系统涵盖了近100种不同的推荐应用场景,如商品详情和购物车。JD.com推荐系统基于用户偏好、短期和长期行为以及地理召回模型构建候选商品数据库,并使用排名模型生成商品推荐列表。电子商务平台推荐系统的应用实现了从传统的“千分之一”界面向“千分之一”界面的转变,极大地促进了业务绩效的提高。在新闻、娱乐等领域,推荐系统也成为传播和推送文本、图片、视频等多源异构内容的核心方式,推动了新兴媒体的发展。

面对广泛深入的应用市场,世界各地许多研究机构和大学的研究团队对推荐方法进行了持续深入的研究,基本形成了基于内容的推荐、协同过滤推荐和混合推荐三大类,并进一步探索冷启动、可解释性和结果评价等一系列问题。科研与市场应用的交叉创新推动了推荐系统的发展。目前,中国互联网人口已超过8亿。电子商务平台和社交媒体正在深刻改变人们的生活方式。面对海量异构社会大数据的复杂局面,一方面,推荐场景的复杂性和动态性给我们在推荐方法的科学研究层面带来了新的决策困难;另一方面,如何通过信息技术的创新来引导信息的定向传播,推荐高质量的内容,提升积极的能量,是摆在我们面前的一个更重要的挑战。

计算社会科学为改进推荐方法提供了新的视角

传统的推荐方法基于用户的历史得分数据建立行为偏好模型来生成推荐方案。然而,由于区域和情感等多维因素的影响,推荐效果明显受限。随着社交媒体的广泛应用,复杂的社会行为催生了用户组的社交网络。在社交网络环境中,人们的交流、交通、交易甚至浏览数据都被完整地记录和存储,大量的“数字足迹”被绘制成包含多维信息的个人肖像、群体肖像和群体网络拓扑图。在社会网络中,不同的子群体形成横向结构,不同的社会角色形成纵向结构,而子群体内部的个体关系、子群体之间的行为差异以及不同角色之间的结构均衡影响着社会网络的稳定性和演化。事实上,子群体中个体之间的联系反映了相似的偏好,不同子群体的行为差异反映了群体的偏好特征。在分析网络亚群体特征的基础上,社会网络研究已广泛应用于经济学、管理学、历史学、哲学、新闻学和传播学等社会科学领域,并促进了计算机科学的发展。

2009年,来自情报学、经济学、管理学、社会学、政治学和历史学等不同领域的15位顶尖学者在《科学》杂志上提出了“计算社会科学”的概念。他们认为,计算社会科学的新学科可以为分析和挖掘人类社会的复杂规律提供新的研究范式。近年来,随着社会网络日益复杂,计算社会科学领域的研究成果逐渐涌现。从推荐方法现有的研究瓶颈来看,冷启动、可解释性和结果评价仍然是他们面临的主要挑战。基于社会大数据分析的计算社会科学将为推荐理论和方法体系的发展和完善提供新的研究方向。

社会化推荐应注重价值塑造和知识传播

与传统推荐方法相比,社会推荐具有明显的优势。对于个人用户来说,海量的社交大数据引入了诸如用户关系、用户交互行为和跨域多维信息等信息。用户交互行为和跨领域信息的整合可以有效应对冷启动和可解释的挑战,也有利于推荐结果的多样性。此外,社交信息的整合实现了越来越精确的兴趣建模,并极大地促进了“量身定制”的个性化推荐。对于群体用户来说,在社交网络中,频繁的用户交互行为导致了网络社区的不断出现。例如,学术交流团体和许多公共服务都表现出典型的群体特征。社交网络大数据为群体相似偏好、差异偏好和群体偏好聚合提供了自然的基础数据支持。这样,社交推荐有助于增强用户的粘性,并促进业务绩效的增长。然而,与此同时,如果社会推荐仍然像传统的推荐方法一样由产品营销驱动,将会带来明显的弊端。对于个人用户来说,个性化推荐的信息同质性问题会诱发“信息茧室”效应,从而导致个人偏执、极端甚至个人社会化属性的下降。对于群体用户来说,“信息茧”效应的传播会导致群体观点、行为和偏好的同质性,这很容易导致重大社会问题或热点问题上的舆论两极分化,进而影响社会稳定和经济发展。

有鉴于此,社会推荐应该更加注重价值观的形成和知识的传播。具体来说,对于个人用户,社交推荐应该基于社交大数据的多维信息优势。通过对个体社会大数据的有效挖掘,可以准确判断个体的价值倾向和兴趣偏好,有效表达用户的多样化需求,实现基于社会影响力和兴趣模型的个性化价值导向,挖掘新产品或信息,实现推荐结果的多样化。对于群体用户来说,社会推荐应该关注社会网络中横向结构群体之间的偏好差异和纵向结构群体之间的外部关联。通过整合网络结构和多源数据信息,可以准确判断建模群体中个体群体的价值倾向、行为偏好和影响,实现面向群体的主流价值信息的定向传递,避免“信息茧”效应。只有这样,社会推荐才能深入挖掘用户的兴趣偏好和价值倾向,实现推荐准确度的提高和主流价值的定向引导。

(作者:宋鹏、梁姬野,山西大学工商管理硕士教育中心执行主任;山西大学副校长、教育部计算智能与中文信息处理重点实验室主任)

© Copyright 2018-2019 herosvan.com 茅栗资讯 Inc. All Rights Reserved.