伴隨電子商務的飛速發展與社交媒體的廣泛應用，商品、交易、新聞、評論、用戶等社會化大數據呈爆炸式增長。海量的網絡用戶、巨大的市場規模，在促進經濟與社會迅猛發展的同時，也帶來了新的挑戰。一方面，面對海量交易信息以及文本、圖片、視頻等復雜信息，信息超載問題日益突出，嚴重制約了市場相關參與主體的目標達成；另一方面，盡管當前信息傳播的多元化、智能化推動了網絡內容的多樣化、情感化與信息共享的便捷化、普惠化，但面對全球各種思想文化交流交融交鋒的復雜情景以及商業網絡平臺存在的逐利現象，一些違背主流價值導向的網絡內容甚至是低俗信息在網絡傳播中的存在，對社會穩定和有效治理形成挑戰。在此背景下，從技術層面解決信息超載問題，并通過信息定向引導構建良好的信息環境，成為應對挑戰的關鍵要素，而科學有效的社會化推薦對于解決上述問題具有重要現實意義。

傳統推薦方法在大數據時代面臨瓶頸

推薦研究可追溯到1992年美國施樂公司帕克研究中心研發的郵件過濾系統Tapestry。面對大量電子郵件，人們迫切需要高效的文件管理技術提升工作效率，而Tapestry的誕生滿足了這一需求。20世紀90年代末，作為亞馬遜網站核心競爭優勢的人工書目推薦團隊，設立了《亞馬遜的聲音》欄目，成功提升了書籍的銷售業績；而后，基于客戶歷史偏好信息與商品的相似性，亞馬遜公司又推出了新的推薦技術，帶來了遠高于人工推薦團隊的經濟價值，其銷售貢獻達到亞馬遜網站的30%。2009年以來，伴隨社交媒體的發展，好友推薦技術成為臉譜、推特等社交平臺用戶規模擴張與保持用戶黏性的重要法寶。近年來，隨著人工智能的快速發展，深度學習技術極大推動了推薦研究的發展，并成為國際商業公司的重要推薦方法。

在中國電子商務產業發展進程中，電商平臺高度重視推薦系統的研發。例如，淘寶推薦系統涵蓋了諸如商品詳情、購物車等近百個不同的推薦應用場景；京東推薦系統基于用戶偏好、長短期行為以及地域三類召回模型構建候選商品數據庫，并應用排序模型生成商品推薦列表。電商平臺推薦系統的應用，實現了從傳統的“千人一面”界面到“千人千面”界面的轉變，極大促進了經營業績的提升。在新聞、娛樂等領域，推薦系統也已成為面向文本、圖片、視頻等多源異構內容傳播與推送的核心途徑，并推動了新興媒體的發展。

面對廣泛而深度的應用市場，全球眾多研究機構、高校的科研團隊圍繞推薦方法開展了持續深入的研究，基本形成了基于內容的推薦、協同過濾推薦、混合推薦三大類劃分，并針對冷啟動、可解釋性、結果評價等系列問題開展了進一步探索。科學研究與市場應用的交叉創新，推動了推薦系統的發展。當前，我國網民規模已超過8億，電商平臺與社交媒體正在深刻改變人們的生活方式。面對海量、異構社會化大數據的復雜情境，一方面，在推薦方法的科學研究層面，推薦場景的復雜性與動態性為我們帶來了新的決策困難；另一方面，如何通過信息技術的創新實現對信息定向傳播的引導、優質內容的推薦，弘揚正能量，是擺在我們面前更為重要的挑戰。

計算社會科學為完善推薦方法提供新視角

傳統推薦方法基于用戶的歷史評分數據構建行為偏好模型進而生成推薦方案，但受地域、情感等多維因素的影響，推薦效果受到明顯制約。隨著社交媒體的廣泛應用，復雜的社交行為催生了用戶群體的社會化網絡。社會化網絡環境下，人們的通信、交通、交易甚至是瀏覽數據被完整記錄與存儲，海量的“數字腳印”繪制成包含多維信息的個人畫像、群組畫像以及群體網絡拓撲圖。在社會化網絡中，不同的子群體形成了橫向結構，不同的社會角色形成了縱向結構，而子群體內部的個體關系、子群體之間的行為差異、不同角色之間的結構均衡則影響著社會化網絡的穩定和演變。事實上，子群體內部個體之間的鏈接關系反映了相近的偏好，不同子群體的行為差異反映了群組的偏好特征。基于網絡子群體的特征分析，社會化網絡研究已廣泛應用于經濟學、管理科學、歷史學、哲學、新聞傳播學等社會科學領域，并推動了計算機科學的發展。

2009年，來自于信息科學、經濟學、管理科學、社會學、政治學、歷史學等不同領域的全球15位頂尖學者在《科學》雜志上提出了“計算社會科學”的概念，他們認為計算社會科學這門新的學科可為人類社會復雜規律的分析與挖掘提供新的研究范式。近年來，伴隨社會化網絡的日益復雜，計算社會科學領域的研究成果逐步涌現。從推薦方法現有的研究瓶頸來看，冷啟動、可解釋性、結果評價等仍然是其面臨的主要挑戰，而立足于社會化大數據分析的計算社會科學，將為推薦理論與方法體系的發展完善提供一個新的研究方向。

社會化推薦應關注價值觀塑造與知識傳播

與傳統推薦方法相比，社會化推薦優勢顯著。面向個體用戶，海量社會化大數據引入了用戶關系、用戶交互行為等信息以及跨領域的多維度信息，而用戶交互行為以及跨領域信息的融合可有效應對冷啟動、可解釋性的挑戰，也有利于實現推薦結果的多樣性。而且，社會化信息的融合實現了日益精準的興趣建模，極大推動了“量身定制”的個性化推薦。面向群組用戶，在社會化網絡中，頻繁的用戶交互行為引致網絡社區不斷涌現，如學術交流群組以及諸多公共服務均表現出典型的群組特性，社會化網絡大數據為群組相似性偏好、差異性偏好、群體偏好集結提供了天然的基礎數據支撐。如此，社會化推薦有助于增強用戶黏性，促進企業經營業績的增長。但與此同時，如果社會化推薦仍與傳統推薦方法一樣，為產品營銷所驅動，則會帶來顯而易見的弊端。對個體用戶而言，個性化推薦的信息同質性問題會誘導出“信息繭房”效應，進而引發個體偏執、極端甚至個體社會化屬性的衰退；對群組用戶而言，“信息繭房”效應的蔓延將引致群體的觀點同質、行為同質、偏好同質，在社會重大問題或熱點問題中極易引發輿情極化行為，進而影響社會穩定和經濟發展。

有鑒于此，社會化推薦更應關注價值觀塑造與知識的傳播。具體而言，面向個體用戶，社會化推薦應立足于社會化大數據的多維度信息優勢，通過個體社交大數據的有效挖掘，精準判斷個體的價值傾向與興趣偏好，有效表達用戶的多元化需求，基于社交影響力與興趣建模實現面向個體的價值引導，挖掘新穎性產品或信息，實現推薦結果的多樣化。面向群組用戶，社會化推薦應著眼于社會化網絡中橫向結構群體之間的偏好差異、縱向結構群體之間的外部關聯，通過融合網絡結構與多源數據信息，準確判斷建模群組的價值傾向、行為偏好與群組個體的影響力，實現面向群組的主流價值信息定向傳播，規避“信息繭房”效應。唯有如此，社會化推薦才能在深度挖掘用戶興趣偏好與價值傾向的同時，實現推薦精度的提升與主流價值的定向引導。

（作者：宋鵬、梁吉業，分別系山西大學MBA教育中心執行主任；山西大學副校長、計算智能與中文信息處理教育部重點實驗室主任）