智能推薦算法以其精準(zhǔn)、高效和對(duì)大數(shù)據(jù)的處理能力而被各大平臺(tái)網(wǎng)站或手機(jī)APP普遍采用,這些推薦算法通過(guò)追蹤用戶行為和個(gè)人信息,自動(dòng)實(shí)現(xiàn)對(duì)不同用戶的精準(zhǔn)推送,這在一定程度上提升了用戶體驗(yàn)和推薦質(zhì)量,但同時(shí)也存在著一些潛在問題:由于智能算法不能直接讀懂電影本身,在提取電影的特征屬性加以"向量化"的過(guò)程中,依賴于人工標(biāo)注的文本,且存在一定的物化傾向;同時(shí),在推薦的過(guò)程中會(huì)因相似用戶行為的協(xié)同過(guò)濾,或反復(fù)推送與用戶之前的選擇相類似的內(nèi)容,導(dǎo)致內(nèi)容的同質(zhì)化;算法中普遍擱置了人的興趣衰減問題,而是通常默認(rèn)觀影者會(huì)長(zhǎng)期保有特定偏好;另外,推薦算法作為一種"規(guī)則",其背后隱藏的是"權(quán)力",其價(jià)值尺度的"正義性"經(jīng)常被擱置或規(guī)避。

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
一、目前常見的電影推薦算法
    (一) 基于內(nèi)容的推薦算法
    (二) 基于協(xié)同過(guò)濾的推薦算法
    (三) 基于圖模型的推薦算法
二、智能推薦算法的潛在問題
    (一) 難以精確計(jì)量的“權(quán)重”
    (二) 屬性“向量化”過(guò)程中的潛在問題
    (三) 被擱置的興趣漂移及其衰減曲線
三、推薦算法潛在的文化影響
    (一) “去中心化”和低價(jià)值密度的堆砌
    (二) 算法的價(jià)值尺度及其“正義性”
四、改進(jìn)的策略與建議
    (一) 綜合技術(shù)與人文, 在算法中引入價(jià)值權(quán)重
    (二) 加強(qiáng)對(duì)算法本身的監(jiān)管, 建立算法“分級(jí)”
    (三) 解讀算法背后的權(quán)力結(jié)構(gòu), 將人工推薦與算法推薦相結(jié)合



本文編號(hào)：3801600