摘要：新媒体平台的算法推荐技术在提升信息传播效率和用户体验的同时,深刻影响了公众舆论的形成和引导方式。通过对用户行为数据的收集和分析,算法推荐实现了个性化信息推送,但同时也带来了信息茧房、回音室效应以及舆论失衡等问题。本文从算法推荐的技术逻辑出发,分析其对公众舆论传播路径、引导效果的深层次影响,揭示信息筛选对公众认知和社会舆论生态的塑造作用。同时,通过具体案例探讨舆论引导中的问题与优化路径,提出强化算法设计的价值引导意识、增加信息推送的多样性、提升算法透明度与监管水平、结合人工审核以及提高公众媒介素养等策略,以期推动算法推荐技术与舆论管理的良性互动。

摘要：算法推荐的诞生和应用使媒介生态发生了巨大变化,亦影响媒介公共领域的建构。奉行工具理性的算法推荐消解了媒介对于公共领域建构的社会责任,"情感传播"和"群体偏见"的存在弱化了交往理性,算法的不透明性和可干预性给政治权力和商业因素的侵入带来可能,算法推荐形成的"中心化"传播模式削弱了公共领域的平等性。

摘要：人工智能技术深入到广告运作的全流程环节,颠覆了传统广告在消费者洞察、广告创作、广告投放、广告效果反馈等环节上靠人力劳动和经验智慧驱动的运作方式。智能广告运作的核心逻辑体现在从经验到科学的智能洞察和需求预测、以算法模型为工具的智能生产与分发、整合时间与空间的智能互动与反馈三个方面。在此逻辑下,智能广告的发展经历了基于数字化和自动化技术的信息推送阶段、基于大数据和机器学习技术的动态化场景匹配阶段、基于社交信息流算法和情感计算技术的品牌价值共创阶段三个阶段。为了智能广告未来更好地发展,值得探索的路径包括:规制"隐私窥视",构建平等互惠的数据利益共享机制;防止"技术异化",融入品牌精神价值观实现深层次沟通;避免"时空侵犯",让广告成为有用的信息等。

摘要：可供性是行为的个体与环境的协调性。“可供性浮现”是可供性的一种重要属性,是整体关系中选择和适应动力机制的过程。以算法推荐为核心技术的、面向消费者用户的个性化广告,在与用户交往关系中所呈现的“过程情境”,为本文“可供性浮现”的研究提供了独特场景。获得用户对于可供性浮现的“积极解释”,也是对“智能营销传播技术提高效率”与“用户为何主动切断与技术的联系”这一实践难题的回应。本文采用实证研究方法建构研究模型以解释用户—个性化广告环境中的“可供性”释义过程,即个性化广告的“可供性浮现”。研究发现,技术效用的“释义”过程受到努力期望、主观规范和持有共同价值观的影响;用户是可供性浮现过程中的最主要行动者;可供性浮现是一种情感参与的过程体验;集体利用可供性的实践影响了个体认知的形成。

摘要：短视频平台利用算法推荐技术主动为用户推荐侵权视频,决定了其侵权注意义务不应局限于被动的“通知—删除”规则。在算法设计承载平台商业理念、短视频上传从个体非商业行为转向有组织的商业行为、上传内容从完整视频转向多样化短视频的情形下,应当要求平台将预防版权侵权的价值理念融入算法设计之中,建立内容与账号的联动侵权应对机制,完善以内容分发流程为核心的短视频平台侵权注意义务。

摘要：在算法广泛渗透于社会各领域的时代,基于用户偏好的算法推荐逐渐成为互联网新闻分发的主要方式,涵盖"个性化定制"的客户端成为网民获取新闻的主要渠道,但由于其无法准确判断信息价值且不断进行同质化内容推送,信息茧房再次引发关注。本文探讨信息茧房负效应在算法推荐下的具体表现,并提供"破茧"之策。

摘要：目前,算法推荐已经渗入新闻生产从选题到分发的各个环节,成为新闻生产者与新闻消费者之间的重要中介,在改变新闻生产格局的同时也给新闻业的发展带来诸多问题。本文尝试在厘清算法推荐下虚假新闻的产生机制以及带来的社会危害的基础上,提出相应对策。具体而言,工具理性的过度张扬、算法设计者的偏见、算法本身的局限和算法审查机制的匮乏导致算法推荐下虚假新闻的泛滥。控制算法推荐下虚假新闻的产生与传播的有效途径在于:明确算法推荐中的"价值主位"、提高算法设计中的把关意识、提升算法设计的"透明性"以及完善算法审查机制。

摘要：算法推荐时代,算法技术规训导致用户主体性弱化,主要表现为用户自由时间、情感劳动、生产数据等自身要素的异化和用户选择权、分享权和隐私权等自主权利的损失。消解算法推荐的技术规训,重塑人类的精神价值,需要政府、平台和用户三方协同努力:政府层面加速立法,加强监督;平台层面优化技术,以人为本;用户层面提升算法素养。

摘要：算法新闻传播作为网络传播的一种,能够与其传播行为法律性质对应的概念即ICP或ISP,而不能以“出版者”、“发行者”、“传播者”或“转载者”进行界定。算法新闻推荐主体对新闻来源的内容进行改动,以及其删除新闻来源网页上的广告、增添自己的广告和评论等行为,超越了ISP的本分,兼具ICP功能。新闻聚合平台APP的WAP转码中,将他人作品上传到自己的服务器,构成对作品的提供;而其用户协议中的广泛、垄断性授权,使自己成为内容提供者即ICP。“避风港规则”适用的前提是网络用户未经许可上传作品或其他信息,作为ICP的算法新闻推荐主体不适用该规则,且在人格权领域也不存在该规则。

摘要：设计并研究一种基于多标签k近邻方法(multi-label k-nearest neighbor,ML-k NN)推荐元启发式算法的实现框架.应用多标签k近邻分类学习技术,实现最佳元启发式算法的排名推荐.为了验证效果,以多模式资源约束项目调度问题(MRCPSP)为优化对象,选取不同规模的数百个算例分别提取问题基本特征和地标特征;选用遗传、粒子群、禁忌搜索、蜂群和蚁群5种元启发式算法,使用ML-k NN建立元推荐模型;利用海明损失、单错误率、覆盖率、排位损失和平均准确率5个指标对推荐效果做出分析和评价.实验结果表明,基于ML-k NN方法推荐元启发式算法效果突出,其中基于地标特征的单错误率指标为18.4%,平均准确率达到88.9%.相对于k NN方法,MLk NN取得了更好的推荐结果.此外,ML-k NN方法可以实现对所有备选算法的排名推荐,该研究结论有望推广应用于其他组合优化问题的优化算法推荐.