新聞推薦系統中的“信息繭房”問題：議題綜述與解決思路

林微

摘 要 主要針對新聞推薦系統，考察其中的“信息繭房”問題并提出解決思路。通過對國內新聞傳播學、計算機科學、情報管理學中的相關文獻的梳理，輔以對web of science中國外SSCI文獻的計量分析，介紹與“信息繭房”相關的主要議題與最新進展。在此基礎上，構建新聞在推薦系統情境中包含信息流和數據流的“創作，發布/抓取，分發/點擊，閱讀”流程模型，并針對這一模型，提出在內容篩選、技術創新、心理考察三個角度上可能的思路，以期通過多學科、學業界的研究與實踐互動，推動“信息繭房”問題的解決。

關鍵詞 信息繭房；回音室效應；個性化推薦；推薦系統

中圖分類號 G2 文獻標識碼 A 文章編號 2096-0360（2018）06-0001-07

1 研究緣起與概念界定

1.1 研究緣起

通過算法完成資訊的個性化推薦和分發，正成為今天新聞業內越來越多媒體的選擇。無論是技術出身的內容推薦引擎“今日頭條”“一點資訊”、ZAKER等，還是傳統媒體出身的四川報業集團與阿里巴巴合作推出的“封面新聞”、門戶網站的移動端應用“騰訊新聞”等，都將信息的“個性化推薦”作為自己的產品亮點。個性化推薦是一種信息過濾技術，“個性化”是其技術目的，推薦算法是其方法。它期望通過分析大量用戶行為日志，給不同用戶提供不同的個性化頁面展示，來提高網站的點擊率和轉化率[1]4。它在不同產品中的應用已由來已久。電子商務領域有亞馬遜被RWW（讀寫網）稱為“推薦系統之王”。影視領域有美國視頻公司Netflix為了更精準地對用戶進行電影推薦，自2006年起開始舉辦著名的Netflix Prize推薦系統比賽，懸賞百萬美元，希望將算法的預測準確度提升10%。

在信息閱讀領域，“今日頭條”是于“Google Reader”“鮮果網”等閱讀工具開發的后繼實踐者。它從2013到2015年間異軍突起，迅速占取國內大量網絡新聞受眾，也在2017年到2018年來遭遇數次公眾輿論質疑。2017年9月，人民日報連續發表3篇文章就算法推薦問題質問“今日頭條”過度依賴技術導致用戶受困“信息繭房”。2018年1月，其陷入“麥克風事件”。眾多網友質疑“今日頭條”開啟了手機麥克風權限收集用戶聲音信息進行內容推薦，之后“今日頭條”回應表示其技術達不到也不會去進行這樣的信息收集。盡管“今日頭條”做出了澄清，網友的質疑則側面表現出人們對于被自己的瀏覽歷史、社交足跡“包裹”的恐慌。

這種“被包裹”的恐慌，是美國學者桑斯坦在其2006年出版的著作《信息烏托邦——眾人如何生產知識》一書中提出“信息繭房”（Information Cocoons）概念的現實詮釋。書中他所描述“信息繭房”由“個人日報”形式呈現。人們可以借助網絡平臺和技術工具在海量的信息中隨意選擇自己關注的話題，完全根據自己的喜好定制報紙和雜志，即一種完全個人化的閱讀[2]。同時桑斯坦指出，在信息傳播中，因公眾自身的信息需求并非全方位的，公眾只注意自己選擇的東西和使自己愉悅的通訊領域，久而久之，會將自身桎梏于像蠶繭一般的“繭

房”中。

桑斯坦對此概念闡述的主體是用戶，側重描述基于用戶選擇的閱讀個性化。而推薦系統的設計意圖描述則更側重信息分發者針對用戶個體進行的點對點的傳播個性化。

但這兩層含義并不是相對立的關系，而是存在疊合的交集，這是因為推薦系統個性化傳播決策的執行極大依賴著基于用戶瀏覽行為的日志數據。這一點將會結合新聞在推薦系統情境中“創作，發布/

抓取，分發/點擊，閱讀”傳播的流程模型詳述。

本文希望將此模型圖作為本次多學科文獻梳理的總結，并針對模型圖的3個環節，提出在內容篩選、技術創新、心理考察3個角度上的應對思路，推動新聞推薦系統“信息繭房”問題的解決。

1.2 主要概念與辨析

1）新聞：本文中指廣義上的信息資源，包括文字、圖片、視頻、問答、直播等不同的形式。新聞推薦系統中，前臺展示的新聞主要是來源于網絡爬蟲、合作媒體和自媒體創作[3]。網絡爬蟲爬取社交媒體、門戶網站等信息資源；合作媒體指中央、省級、各地市、縣級及以下媒體；自媒體創作主要提供專業學習信息、新聞、生活休閑類等其他“長尾”信息資源。

2）算法：是一系列解決問題的清晰指令，也可抽象理解為解決問題的方法。理解算法的概念可以從理論與應用層面展開。以推薦算法為例，CF、CBF、DNN算法等屬于理論層面的數學方法，而亞馬遜、Youtube、Facebook、今日頭條等產品屬于算法在應用層面的實踐成果，包含商業邏輯在內的復雜運作。

3）推薦系統與推薦算法：Resnick等于1997年給出了推薦系統的定義。一個完整的推薦系統由用戶模型、產品模型與推薦算法三部分組成[4]。推薦系統包含推薦算法作為其核心組成部分，同時需要對所推薦的物品和用戶建模。對于一個推薦系統來說，推薦算法決定其類型及性能優劣。目前主流的推薦算法有：協同過濾（CF）、基于關聯規則的推薦、基于二部圖的推薦等[5]。

2 關于新聞推薦系統“信息繭房”的主要議題梳理

中文文獻的參閱依循各文獻之間的引文網絡，在CNKI中選取以下相關關鍵字按學科分組、以“主題”為搜索條件，選取本世紀至今（2001—2018）被引較多或影響因子較高的文獻進行梳理。

選取學科分組：新聞與傳媒、圖書情報與數字圖書館、計算機軟件及計算機應用。

主要使用的關鍵字包括：“信息繭房”“信息窄化”“群體極化”“回音室效應”“個性化推薦”等。涉及其他關鍵字包括：“推薦算法”“社會化推薦系統”“信息偶遇”等。

英文文獻搜索中，在web of science平臺中使用關鍵字Echo chamber在SSCI索引下搜索，從2001年至2018年3月3日，共得到106條文獻。

2.1 新聞推薦系統“信息繭房”問題背景：還未盡善的技術與大眾心理的共謀

概念的提出者桑斯坦將“信息繭房”的產生背景定義在網絡與技術環境中。首先從計算機科學與應用的視角下看，推薦系統是為了解決信息過載問題而發展出的一套技術。

縱觀因特網的發展源流，它由單個網絡ARPANET升級到現今多層次ISP結構的互聯網，這代表著更復雜的網絡層級和更大的用戶覆蓋面，帶來了更多的信息生產和更快的信息交互。為了解決信息過載問題，提升人們獲取信息的效率與質量，分類目錄、搜索引擎、推薦系統、智能問答等技術應運而生。在具體新聞場景的應用中，相應地出現了以雅虎為代表的門戶網站、以谷歌為代表的搜索引擎、以Facebook上的Newsfeed、今日頭條等為代表的內容智能分發工具和Quartz、微軟小冰等對話式新聞產品。

新聞推薦系統在對搜索引擎中PageRank等經典排序算法的繼承和改造的基礎上，它的特點在于不需要用戶表達明確的特定信息需求。不同于搜索引擎被動等待用戶的“搜索”操作，進行信息呈現，推薦算法能夠主動收集用戶的特征信息。但由于用戶沒有顯式地提出特定信息需求，新聞推薦系統就必須做到挖掘用戶的潛在需求，這也使“精確度”成為其系統優劣的首要評價指標，為“信息繭房”問題埋下隱憂。

在計算機界，早在2006年就有學者意識到在推薦系統僅關注精確性遠遠不夠，可能會導致用戶得到一些信息量為零的“精準推薦”，導致視野越來越狹窄的情況[6]。這種“越推越窄”的情況被稱之為計算機界的探索利用問題，有時也稱為EE問題（Explore & Exploit）。2011年，在ACM組織的第五屆推薦系統國際會議上，專門召開了一個討論推薦系統多樣性的研討會（DiveES 2011）。此后，2013年國內學界推出第一篇系統地對推薦系統多樣性進行綜述的文章[7]，在分析多樣性類型的基礎上，重點概括、比較和分析了信息物理、二次優化、社會化網絡和時間感知四種提高個性化推薦多樣性的方法，期待未來更多算法的有效組合研究。此后，計算機學業界將研究重心轉移到推薦系統信息窄化的解決，即推薦算法的優化與更多指標的測試中。例如在發現用戶新興趣上，基于關聯規則的推薦優于基于內容的推薦和協同過濾推薦[5]。在測試指標設置上，學者項亮總結出包括準確率、覆蓋率、多樣性、新穎性、驚喜度、信任度等10余個推薦系統評價指標[1]23-33。另有一批學者的研究成果發表在《復雜網絡觀察》《復雜系統與復雜性科學》等專業刊物上。

新聞傳播學界在“信息繭房”概念提出后也很快加入討論。學者程士安等以科技進步與傳播規律的演進為視角，考察數字化時代的組織傳播理論時，對“信息繭房”的概念進行了組織傳播視角的重新闡述。提出通過分析新技術條件下的信息聚合與社群的構成，看新技術條件下網絡組織微觀關系下的“紐帶”與“鎖扣”特征。對于基本的網絡結構“結點與邊”（verges and edges），并不局限將“結點”看作單一用戶，而是聚合著某同類信息需求的人群，而“邊”既是信息聚合體內部的構成紐帶，也在外部連接著組織與組織，社群與社群。這使“信息繭房”的研究視域從個人的繭房，擴大到群體的繭房。接著，文章從動態的傳播視角，提出了“繭房的遷移”。指小“繭房”通過網絡游移，相似的幾個子“繭房”會在一個特定大“繭房”平臺上達成共識[8]。文章從組織傳播和網絡傳播的視角微觀、動態地描述了繭房形成與變化的機理；對繭房之內、之間聯系的研究，將網絡作為基本數據結構之一所定義中物理性質的“邊”，融入了社會心理因素的考察。這一觀點的提出，也進一步明確了“信息繭房”與“群體極化”等議題之間的緊密聯系。

在技術之外，新聞傳播界的研究著重指出了“信息繭房”形成在思想淵源、心理特性等方面的原因。2013年，新聞界期刊首先將此定義正式介紹到國內時，學者梁鋒指出“信息繭房”的思想淵源可以追溯到19世紀初法國思想家托克維爾發現的，民主社會天然地易于促成個人主義的生成，并隨著身份平等的推廣而擴散[9]。學者劉華棟基于對社交媒體的觀察，認為個人興趣引導人們的信息接收行為使其陷入“信息繭房”，而社交媒體使用進一步促進“信息繭房”的形成[10]。學者陳昌鳳等認為信息繭房、信息偏向等問題的產生與人們的“證實性偏見”有關[11]，即人們傾向于尋找信息確認自己的觀點。

新聞傳播界往往在分析原因后提出關于“信息繭房”危害的議題探討，網絡是信息自由傳揚的烏托邦抑或滋養極端意見分子的溫床，“信息繭房”與“群體極化”等社會政治議題有何關聯，這是此后新聞傳播學界的一個研究方向，并綜合運用了基于案例觀察的或實驗設計等實證研究方法，將在本節下一小點再做介紹。

情報管理學界對新聞推薦系統“信息繭房”問題機制的研究起步較晚，2018年1月出版首篇網絡信息系統視角下的機制研究論文[3]。首先從內容智能分發平臺信息資源組織方式、信息受眾用戶行為與信息運動方式三方面分析影響平臺信息運動效率的因素。在此基礎上探討“信息繭房”的形成機制時，創新地使用了運動規律、平臺情境兩個視角。

總的來看，新聞推薦系統“信息繭房”問題的出現，從技術發展的脈絡來看，是推薦系統完善過程中必然面對的難題，而動態的網絡信息空間環境、復雜的個人與群體心理等因素豐富了它可歸因的維度，使得這一問題不應僅僅作為技術帶來個人視野的局限看待，同時奠基其他群體性社會議題的產生。

2.2 新聞推薦系統“信息繭房”認識現狀：趨于關注細節、量化的實證研究，總結從個體到社會的多層次危害分析思路

“信息繭房”問題提出后，計算機學界轉入問題解決領域進行算法優化研究。目前關于“信息繭房”現狀的認識主要來源于新聞傳播學界。為豐富研究素材的維度，筆者引入國外SSCI相關文獻的計量分析與閱讀梳理，總結得到主要關于“繭房”程度、“繭房”危害兩個研究角度。

國內新聞傳播學者在考量新聞推薦系統“信息繭房”問題時，常聯系“個性化推薦”“算法分發”“智能分發”“算法新聞”等關鍵詞，應用新聞推薦系統的典型產品“今日頭條”是主要的研究對象。由于大部分社交媒體在信息推送設計（feed流）中也多使用到推薦系統技術，也有學者關注社交媒體上“信息繭房”問題。從研究方法上看，國內針對“信息繭房”是否存在以及存在的程度如何的量化實證研究還比較少，多是基于案例觀察的質化分析。

學者王茜以“今日頭條”為研究對象，運用內容分析法，通過分析77位用戶的8 000多條新聞推送，發現14%的參與者收到的單一新聞類型占比超過50%[12]，認為其中存在信息窄化問題。學者王秋旭觀察微博上作為意見領袖的大V或公眾賬號，其粉絲會自發性地形成一個團體，這個團體認同意見領袖的言論，由此形成了一種“群體共識”[13]。

對國外SSCI論文，以“echo chamber”做關鍵字進行文獻計量分析，從分析結果來看，傳播學者們對這一問題的關注度逐年上升（圖1）。除echo chamber外，關鍵詞還包括social media，polarization，Twitter，Facebook，climate change等（圖2）；拓展關鍵詞包括media，polarization，networks，selective exposure，information，online，internet，communication，news，participation等（圖3）。其中拓展關鍵詞feather的詞頻也較高，多以詞組birds of a feather（人以群分物以類聚）出現。

對這些字詞進行分類可以看出，國外對這一問題的主要研究對象是Twitter，Facebook等社交媒體、美總統選舉等事件，理論視角包括群體極化、選擇性接觸、公眾輿論等。

考慮到推薦系統與搜索引擎、社交媒體的技術淵源，筆者主要選擇包含online search，social media，Facebook，Twitter的相關論文進行介紹。

在對新聞推薦系統“信息繭房”的存在認定上，學者們意見不一，一些學者會在措辭中加入hypothesis（假設）再對其進行實證研究。F.J.Z.Borgesius 等人研究網站利用個性化算法為用戶篩選、推送個性化內容，綜合運用量化手段分析后認為，目前還缺乏足夠的證據表明個性化算法會造成“信息繭房”或“過濾氣泡”[14]。而David Goldie等人使用文獻計量方法并針對社交媒體上教育政策辯論的進行研究，認為其中存在“回音室效應”，即通過不斷推動小樣本量、不具代表性的言論，也會對政策提出產生影響[15]。

在考察“信息繭房”存在程度時，來自MIT的學者Sagit Bar-Gill等認為個體會由于其在網絡中的不同角色在“繭房”存在的程度上存在差異。學者們運用實驗法，構建了名為TED-it的在線搜索環境，用戶可以通過主題（topic）或流行度（popularity）兩個搜索維度觀看TED視頻。學者們在2017年3月[16]與8月[17]分別發布兩次報告，研究發現高社交程度、重復先前相似內容的、年輕（在8月發布的報告中補充了關于年齡的要素）閱讀者容易陷入“信息繭房”。流行的信息提高了意見領袖們的搜索排序，但并沒有拓展“非意見領袖”的信息接觸面。

在逐漸積累關注細節、量化的實證研究后，傳播學者們總結出新聞推薦系統“信息繭房”從個體到社會的多層次危害分析思路。在個體層面，美國學者Kathryn Jemison和Joseph Capela在著作《回聲室效應：拉什·林博和保守主義媒體的建設》中定義“回音室效應”為，在媒體營造的相對較為封閉的意見感知環境中，意見相近的聲音會被不斷地重復、夸張和扭曲，從而讓處于這個封閉環境中的人對這些夸張和扭曲的極端觀點越來越深信不疑的現代傳播學現象[18]。群體層面，國內傳播學者梁鋒、喻國明、陳昌鳳、劉華棟等學者結合對桑斯坦《信息烏托邦》《網絡共和國》等著作的提煉，闡述了“信息繭房”從個體封閉走到群體極化的后果。群體極化是指群體意見中某些既有的偏向，經過商討以后，群體成員繼續沿著偏向的路線前進，最后形成極端的觀點?！盵19]《“信息繭房”對網絡公共領域建構的破壞》一文描述“信息繭房”的危害體現在“‘意見自由表達受阻、群體極化造成公眾理性批判的缺失、社會黏性削弱及破壞共同體維系”[20]，也是從這3個層面做出的總結。

總的來看，對“信息繭房”存在程度甚至是否存在還存在爭議，還需更多關注細節、量化的實證研究進行完善。國內傳播學者量化成果較少，王茜關于今日頭條的量化研究受樣本數量制約，其難點之一在于缺乏相關的公開、真實、足夠數據量的數據集進行研究使用。倘若收集得到真實用戶的匿名行為數據集，就可參照計算傳播學研究范式，進行諸如學者王成軍利用Digg社區數據集，對新聞在注意力場中的“逃逸”問題[21]所做的結合用戶行為模擬并進行模型曲線擬合的數理性實證研究。難點之二在于新聞學研究者目前對于網絡科學的理論（如同質化理論、資源依賴理論、社會影響理論）的使用依然有限[22]，而學科間還未產生廣泛交流與討論。

3 新聞在推薦系統情境中三個環節傳播的流程模型及針對性建議

在對新聞推薦系統進行了背景與現狀綜述的基礎上，筆者受上述學科視角啟發，構建新聞在推薦系統情境中包含信息流和數據流的“創作，發布/抓取，分發/點擊，閱讀”傳播流程模型（圖4）。這一模型指出了用戶“閱讀個性化”與新聞推薦系統“傳播個性化”之間的關系，并進一步解釋了“信息繭房”問題在現有技術條件下的必然和可能的突破環節。

如圖4所示，新聞推薦系統中存在信息流與數據流兩個信息運動方向。筆者將新聞推薦系統內的6個典型行為“創作，發布/抓取，分發/點擊，閱讀”劃分為3個環節。

從信息流向來看，新聞信息從作為原始傳者的內容生產者發布到數字媒體平臺上，作為中介傳者的新聞推薦系統抓取并推送給受眾閱讀。

從數據流向來看，作為原始傳者的內容生產者創作、發布內容，其發布的新聞作為D1（數據源1）被推薦系統抓取，處理為產品模型M1。作為受者的用戶對推薦系統前臺（所瀏覽的新聞網頁等）執行點擊行為，對新聞信息執行閱讀行為。其中，前一個行為產生的用戶行為日志作為D2（數據源2）被處理為用戶模型M2。推薦系統因而扮演著二者之間的中介角色，推薦算法通過機器學習，不斷優化決策，以達到個性化的推薦決策。舉例來說，Youtube推薦算法①包含兩個機器學習目標，第一個是生成候選集，以用戶觀看歷史為輸入，使用協同過濾等技術在數以萬計的視頻中進行選擇；第二個神經網絡則用于對視頻們進行排序，使用邏輯回歸計算每個視頻得分，然后不斷使用A/B測試進行

改進。

通過這兩組信息運動流向的比較中可以發現，用戶“閱讀個性化”與新聞推薦系統“傳播個性化”之間，是通過用戶“點擊”的數據流輸入新聞推薦系統，推薦系統基于此進行機器學習將個性化信息流輸出給用戶，達到了“傳播個性化”。因此，用戶接受的個性化信息的質量一部分取決于原始傳者，即內容生產者，另一部分很大程度上取決于作為中介傳者的推薦系統。在中介環節，推薦算法在用戶物品關系矩陣中攫取有效信息反過來填充這個矩陣，這是一個正向自我強化過程，越走越窄是宿命①。如果系統只對探測到的用戶興趣進行“開采利用”，而不發現新的用戶興趣，將無可避免地走向“信息繭房”。

雖然計算機學界已經提出在推薦算法的設計中從“開采利用”向“探索利用”優化，但在目前仍處在研究的初期。包含3個環節的傳播流程圖啟發我們，解決新聞推薦系統“信息繭房”問題，也可關注其與內容生產方、與用戶之間的信息互動。

在與內容的洽接環節，提高內容的廣度與質量。目前應用新聞推薦系統的媒體主要包含3類：門戶網站的移動端應用“騰訊新聞”等、內容推薦引擎“今日頭條”“一點資訊”等、包含“Newsfeed”（信息流推送）的社交媒體“Facebook”“微博”等。而這些媒體對于合作媒體、自媒體、社交主頁等信息資源的采納權重不盡相同。自媒體信息質量良莠不齊，在消息審核上仍存盲區，提高新聞數據庫的準入機制，加強與有宏觀視野、專業素養和社會公信力的媒體合作，是提高新聞客觀真實性、統括來自不同領域、不同階層、不同利益群體的立場和態度的有效舉措。

需要注意的是，在內容準入審核時不應局限文本信息。隨著融合媒體的發展，短視頻、直播、互動問答等多樣化的形式正在進入分發平臺的融合媒體內容端口，成為未來內容審核新的挑戰。

在于用戶間的信息互動環節，應重視用戶心理的自省，發掘其自主能動性。例如開發新聞推薦系統的閱讀歷史可視化插件，在原有傳播流程的基礎上，增加推薦系統的一個數據輸出渠道（圖5）。

采集了用戶行為日志的推薦系統不應“壟斷”數據，而應將其算法決策轉換為給用戶的直觀提示，例如用餅圖為用戶直觀地展現每日閱讀的各類新聞比例。用戶的無意識行為助力的決策需要得到提示和反饋，以便使用戶認知的不完備可以通過增強心理上的“自我反省”來彌補，這也是算法“可解釋性”的基本倫理原則[23]。

總的來說，推動新聞推薦系統“信息繭房”問題的解決：

一是要提高新聞內容的廣度與質量；二是加大對推薦算法精確度以外其他指標的考量，進行“探索利用”嘗試；三是重視用戶心理的自省，例如開發新聞推薦系統的相關插件，完善新聞推薦產品

生態。

喻國明等學者在《傳播學研究范式的創新：以媒介接觸與使用的研究為例——用戶媒介接觸與使用的研究范式及學術框架》[24]中指出，移動傳播技術使傳播行為復雜化和結構化，在考察新環境下媒介用戶的媒介接觸與使用特征時，可建立起適合移動互聯傳播環境的“時間—空間—媒介接觸行為—社會關系—心理效果”五維研究框架。解決“信息繭房”問題，還需通過社會科學的理論研究，與自然科學的創新開發，共同推動新聞推薦系統的發展與創新，同時在新的技術與媒體環境中，更進一步認識當今數字化時代中新聞的責任、定位與發展

方向。

注釋

①微信公眾號“AI前線”《YouTube和今日頭條很委屈：色情暴力的鍋推薦系統該不該背？》http：//mp.weixin.qq.com/s/jhuFVLOnbjO0-J27B3cYiA.

參考文獻

[1]項亮.推薦系統實踐[M].北京：人民郵電出版社，2012：4，23-33.

[2]桑斯坦.信息烏托邦[M].北京：法律出版社，2008.

[3]王益成，王萍，王美月，等.信息運動視角下內容智能分發平臺突破“信息繭房”策略研究[J/OL].情報理論與實踐.[2018-01-31].http：//kns.cnki.net/kcms/detail/11.1762.G3.20180131.1144.002.html.

[4]Resnick P，Varian H R.Recommender Systems [J].Communications of the ACM，1997，40（3）：56-58.

[5]劉輝，郭夢夢，潘偉強.個性化推薦系統綜述[J].常州大學學報（自然科學版），2017，29（3）：51-59.

[6]Mcnee S M，Riedl J，Konstan J A.Being accurate is not enough[J].2006.

[7]安維，劉啟華，張李義.個性化推薦系統的多樣性研究進展[J].圖書情報工作，2013，57（20）：127-135.

[8]程士安，沈恩紹.數字化時代組織傳播理論的解釋與重構——以科技進步與傳播規律的演進為視角[J].新聞大學，2009（2）：119-124.

[9]梁鋒.信息繭房（information cocoons）[J].新聞前哨，2013（1）：87.

[10]劉華棟.社交媒體“信息繭房”的隱憂與對策[J].中國廣播電視學刊，2017（4）：54-57.

[11]陳昌鳳，張心蔚.信息個人化、信息偏向與技術性糾偏——新技術時代我們如何獲取信息[J].新聞與寫作，2017（8）：42-45.

[12]王茜.打開算法分發的“黑箱”——基于今日頭條新聞推送的量化研究[J].新聞記者，2017（9）：7-14.

[13]王秋旭.信息繭房效應下微博群體極化現象分析[J].新聞研究導刊，2015（7）：177-178.

[14]Zuiderveen Borgesius F J，Trilling D， Moeller J，et al.Should We Worry About Filter Bubbles？[J].Social Science Electronic Publishing，2016.

[15]Goldie，David|Linick， Matthew|Jabbar，Huriya|Lubienski，Christopher.Using Bibliometric and Social Media Analyses to Explore the “Echo Chamber” Hypothesis[J].Educational Policy，2014，28（2）：281-305.

[16]Bargill S，Gandal N.Online Exploration，Content Choice & Echo Chambers：An Experiment[J].Cepr Discussion Papers，2017.

[17]Bargill S，Gandal N.Online Exploration When Search Topic and Popularity Ranking Are Decoupled：Insights on Echo Chambers[J].Social Science Electronic Publishing，2017.

[18]許志源，唐維庸.2016美國大選所透射的“過濾氣泡”現象與啟示[J].傳媒，2017（16）.

[19]凱斯·桑斯坦，桑斯坦，英維明.網絡共和國：網絡社會中的民主問題[M].上海：上海人民出版社，2003.

[20]胡婉婷.“信息繭房”對網絡公共領域建構的破壞[J].青年記者，2016（15）：26-27.

[21]Wang C J，Wu L，Zhang J，et al.The Collective Direction of Attention Diffusion[J].Scientific Reports，2016（6）：34059.

[22]王成軍.計算社會科學視野下的新聞學研究：挑戰與機遇[J].新聞大學，2017（4）：26-32.

[23]Mittelstadt B，Allo P，Taddeo M，et al.The Ethics of Algorithms：Mapping the Debate[J].

2016（2）.

[24]喻國明，何其聰，吳文汐.傳播學研究范式的創新：以媒介接觸與使用的研究為例——用戶媒介接觸與使用的研究范式及學術框架[J].新聞大學，2017（1）：

85-93.