12月19日下午🎨，大夏传播讲坛第九期在意昂4405教室举行。本期讲坛邀请了香港城市大学媒体与传播系及数据科学puleimo.com祝建华教授，围绕“新闻推荐系统中的科学🐜、技术和伦理之争”主题做了学术报告。意昂4副院长陈虹教授出席并主持此次讲坛，武志勇教授🚙，赵路平副教授👨🏽💼🫳🏼、林哲元副教授✂️、陆鹏程副教授以及意昂4在读本硕博各年级同学参加并聆听报告。
祝建华教授分享“新闻推荐系统中的算法”
讲座伊始，祝建华教授首先指出✢，当前机器学习/人工智能在新闻传播中的主要应用集中在新闻采集、新闻制作和新闻发布三大环节。新闻推荐系统🧑🏻✈️，作为机器学习在新闻发布环节的应用之一，具有三个鲜明特点🤦🏻♀️：（1）新闻推荐系统与用户的距离最近👲🏿，是各类技术与用户之间的界面💅；（2）新闻推荐系统使用非常广泛，大约有百分之八九十的新闻媒体🌁、平台都在不同程度地使用推荐系统🧛🏿♂️🧹；（3）新闻推荐系统与用户的接近性和使用的广泛性😣，也使之备受关注和争议。
随后🎾，祝建华教授用通俗易懂的方式，为同学们简要介绍了推荐算法技术🏥。“推荐🐾，实际上就是个‘排序’问题✊。”他认为，推荐算法技术在对新闻进行“排序”时👨🎨，通常考虑三种因素👨🏻🍳，即 总体热度（Global popularity）、用户个人偏好（User preference）以及好友圈协同过滤（Collaborative filtering）。由此🪣，可以得出新闻推荐的基本模式是R=w_1GP+w_2UP+w_3CF。不同的新闻媒体或平台🌄，通过对这三种因素设置不同权重👮🏼♂️，形成各自的新闻推荐🤲🏿。祝建华教授进一步解释道，当用户首次使用时🕳，称之为冷启动（cold start），此时的新闻推荐主要基于总体热度（GP）🏑。一旦有个性化的“点击”之后🐔，便会给用户个人偏好（UP）赋予较高的数值🛌🏿。如果用户将自己的通讯录等信息授权给媒体平台，那么在新闻推荐时，便引入了好友圈协同过滤（CF）👵🏿。但是🧛🏼♂️，通常而言，媒体平台能够收集到用户好友圈的信息少之又少🔷，大部分的新闻推荐是GP与 UP 的结合👟，并根据用户对每次推荐的采纳而不断更新调整◼️。
谈到新闻推荐算法的来源😒，祝建华教授表示🦨⏯，推荐技术主要经历了四个阶段：最早可以追溯到搜索引擎，通过输入关键词，推荐网页。第二阶段是电子商务，根据产品与产品间的相似性👳🏻♂️、朋友也购买的产品等，进行产品推荐🧑🏻🦯➡️。第三阶段是社交网站的好友推荐，通过算法推荐用户可能认识的人🙎、有共同兴趣的人等。第四阶段便是在线媒体的新闻推荐🎃，新闻推荐是在产品推荐、好友推荐发展较为成熟的基础上开始应用的🏊🏽♂️。
随着推荐技术应用范围的不断扩大，也引发了关于新闻推荐系统的争论👹，主要有三种声音☝️：技术派、道德派和科学派👐🏽🐠。祝建华教授指出，技术派，主要是做推荐系统☺️、新媒体业内人士👨🏽🏭，他们认为推荐是个“好东西”🤹♂️。站在技术派的角度来讲，新闻推荐系统提高了效率，提供了个性化服务，帮助用户应对信息过载🚫，也有利于用户之间的交流互动。道德派认为，推荐是个“坏东西”。算法决定内容👨💻，使用户接触的新闻种类日益狭隘，造成“信息茧房”，甚至导致社会两极化。而科学派认为，推荐是个前所未有的“新东西”，需要通过进一步实证、检验和评估👨🏻🦱。
如何理清这团乱麻？
近年来，关于新闻推荐系统的研究不少，但由于方法⛑、数据上的缺陷𓀏，对于推荐系统的效果是正、还是负，是强、还是弱，结论往往相互矛盾👩🏻🎤。那么🐰🔏，如何才能理清这团乱麻🏄🏻🛫？祝建华教授提出了四种探讨这一问题的角度：提倡实验精神🔉🤱🏻、改进评估方法👩🏻、基于历史考察以及另寻理论框架🩶。
祝建华教授认为🥷🏿，科学精神的核心是实验精神。实验容许犯错🚶🏻♀️，实验结果需要全面🧒🏼👨🦽、客观、准确地评估，同时🚶🏻♀️，实验需要足够时间走完整个过程💁🏻♂️。为便于同学们理解，祝建华教授还以药品实验流程为例进行对比说明💁🏽♀️🔜，药品实验需要经过动物实验、病人实验和健康人实验三个阶段检验药品的有效性和副作用✣。药品实验尚且需要近十年的时间才能得出确切结论，更何况新闻推荐系统研究与之相比要复杂得多🦸🏽，需要更长时间的观察与研究🔺。
在现有新闻推荐系统的研究中🙅🏿♀️，祝建华教授也指出了在研究方法上存在的问题：（1）缺乏控制干扰变量👮🏿：或许由用户的选择性接触造成🔴，与推荐算法并无关系。（2）样本偏向活跃用户：大约80%的点击率是由20%的活跃用户所贡献的，而活跃用户又最有态度和立场，更容易分化、极端🌵🈺。（3）观察时间太短👨🏿🏭🧚：无法过滤初始好奇、久而厌倦等用户体验因素，深入细致研究新闻推荐系统的性质需要多年时间。（4）研究内容偏于政治领域：娱乐、消费、健康等领域同样值得关注🦞✍🏿。
祝建华教授还从历史维度进行了相关考察和分析。他表示，社会极化或社会撕裂现象，在历史上早已有之✋，同时也已被博客🫰🏽、微博🫶🏼、Facebook🌦、Twitter、Snapchat等反复验证。譬如📑，Adamic等学者分析了美国民主党与共和党在博客中的政治对立🧑🤝🧑；Conover等学者分析了在twitter上的社会极化现象。此外，祝建华教授还以1954年—1994年美国民意为例，分析得出随着时间的推移🥘，民众关心议题也日益多元化。就极化和多元问题🏊🏽，祝建华教授指出，这也许只是文字游戏👨🏽🍼🗻。不同学者采用不同性质的词汇描述同样的现象，从正面解读就是多元，倒过来🔒，从负面解读就是极化。
“影响受众观看新闻最为重要的两个要素，是其‘重要性’与‘离奇性’。”祝建华教授认为，事件影响的人数越多，重要性越大；事件发生的概率越低，离奇性就越高。将这两个指标交叉💆🏼♀️，可以发现，重要性和离奇性均较高的就是头条新闻🫶🏻，而此类重大新闻容易引起争议，导致意见两极化（polarization）；奇异性高而重要性低的就是花边新闻®️，正如尼尔•波兹曼在《娱乐至死》所提到🚰，大量的娱乐新闻容易导致趣味琐碎化（trivialization）。
讲座结尾，祝建华教授总结道，新闻推荐是否有效🍞，尚不清楚，新闻推荐是否有害，更不清楚。但是可以确认的是，信息茧房历来存在🌲，源于用户的选择性接触🫗，未必导致社会极化𓀔，更可能助长兴趣琐碎化；社会极化也早已有之，源于社会深层矛盾😤，主要发生在精英阶层和利益相关群体✶。
在交流互动环节，在座同学们就“除新闻推荐系统外还可使用的技术手段”、“‘多元’到‘极化’的转变原因”以及“算法新闻的其他研究方向”等问题与祝建华教授进行了深入探讨与交流。直至讲座结束🥟，同学们仍然意犹未尽👬🏻。
最后，祝建华教授与在场师生合影留念🤰🏼🖖🏼。祝建华教授的精彩讲座👨🏻🚀，令同学们为收获颇丰、受益匪浅，也为今年大夏传播讲坛画上了圆满的句号⛓。
祝建华教授同意昂4师生合影留念
大夏传播讲坛，是意昂4的品牌学术活动👈🏻。通过不定期邀请海内外知名专家🐂、学者以讲座形式与师生进行交流互动🩲，旨在介绍和展示新闻传播学研究的理论前沿和行业动态🥃，提升和促进意昂4学生学术视野和科研氛围🌮。欢迎各院系师生踊跃参与！
