计算传播：实现供需精准匹配

尽管谈到计算传播就必然会使人联想到错综复杂的个性化的资讯推荐系统、程序化的广告投放平台、专业化的新闻写作分发软件、智能化的舆情监测管理工具等具体应用，其中涉及的信息采集、数据建模、算法开发、工具优化等技术操作更是让除了数据科学家和算法工程师之外的大多数普通研究者、从业者和用户望而生畏，但抛开这些具体层面的信息技术暂且不谈，其实计算传播的本质并不复杂：利用数据主义和计算主义的方法及工具，实现信息产品供给和媒介消费需求双方的精准匹配。例如，当前各大移动应用软件盛行的个性化内容推荐系统虽然离不开大量高深的算法和架构，“但其基础原理是朴素的：更好地了解待推荐的内容，更好地了解要推荐给的人，从而更高效地完成内容与人之间的对接”^[24]，也就是强调内容供给与用户需求之间的精准匹配，“利用算法推荐，可以实现对用户画像的动态描述，进而达到千人千面，让每个生产者的新闻智能化精准匹配用户……让‘适合我的新闻资讯’成为新媒体传播的常态。”^[25]再如，计算广告应用中非常重要的程序化投放环节，也需要高度依赖复杂的广告投放引擎、高效的迭代计算框架等关键技术，但所有这些技术应用都同时服务于一个最核心的问题，那就是“为一系列用户与环境的组合找到最合适的广告投放策略以优化整体广告活动的利润”^[26]，也就是“计算广告”理念的早期倡导者和实践者Andrei Broder所主张的计算广告的本质在于“在特定语境下完成特定用户和相应的广告之间的最佳匹配”^[27]。

事实上，无论对于计算传播所涉及的哪个具体细分领域，其主要技术研发和商业应用都一直紧紧围绕如下四个问题不断深化发展：（1）加强对用户的了解，提供个性化的定制服务；（2）帮助用户找到自己喜欢的商品；（3）降低信息过载问题；（4）提高网站或移动客户端的展示与点击的转化率。^[28]认真研究这四个乃至更多现实的传播问题便不难发现，这些问题都指向信息供需双方的精准匹配问题。如果作为供给方的信息生产者和分发者所供应的产品或服务恰恰正是作为需求方的用户在某一具体场景下所想要获得的，那么上述四个问题便不再成为问题了：通过大数据思维和技术全面了解用户的目的，就是向他们提供精准化、个性化、定制化的信息产品和传播服务，这些做到了，点击和转化自然会提高，用户也就自然不用担心数据爆炸和信息过载使他们陷入不知所措的境地了，他们只需要选择系统已经过滤好、筛选好或者匹配好的那些推荐项即可。如果推荐项过多该怎么办？造成这个问题的根本原因只有一个，那就是我们对用户的了解还不够全面，我们的推荐引擎和匹配算法还不够成熟，从而使得我们最终得出的推荐项还不能真正符合用户需求，其解决方案就是继续在上述四个方面强化能力、精益求精。

我们经历过媒体编辑主导的信息匹配、搜索引擎主导的信息匹配、社交关系主导的信息匹配以及推荐系统主导的信息匹配等几个主要的传播模式，在信息匹配的精准度方面都还有很大可以改进提升的空间，但总的来看，个性化推荐内容的精准度整体要高于过去的报纸、电视等同质化内容的精准度。尽管当前的计算传播理念和技术应用在各个领域中还存在这样那样的问题，无论是算法偏见还是价格歧视，无论是信息茧房还是数据鸿沟，其实质问题都在于目前的算法还不够完美，从而导致对供需双方进行匹配的结果也不完美。从目前来看，基于大数据的算法要比报纸编辑、搜索引擎甚至你的亲朋好友更了解你的过去、现在乃至未来，更了解你此刻正在想要什么以及你明天真正应该需要什么，并在所有的选项中匹配最合适的信息、商品或服务推荐给你。充斥在我们身边的信息噪声不断地增多以至于我们必须适时迭代过滤这些干扰的方法以避免陷入一种选择焦虑的困境之中，没有人真的有能力把过去24小时上传到互联网上的文字、图片和影像信息逐一不漏地浏览一遍，也不会有人在电子商务网站上比较完所有的手机之后才决定最终要购买哪一款。(www.xing528.com)

在今天的智能媒体时代，信息、内容、娱乐、媒介、渠道、终端都不再是稀缺的，唯一稀缺的只有用户的注意力，生命太短暂、时间太有限，媒介世界中等待着我们去阅读的、观看的、体验的、探索的又实在太多，而且还在以指数型的方式继续加速增多。在这种背景下，以资讯推荐系统、程序化广告投放系统为典型表现的计算传播模式“一方面，实现了对传统的用户信息接受行为模式的颠覆，打破了过去用户被动接收信息的局面，实现了迅速的个性化推荐……另一方面，算法技术节省了用户的时间成本，提高了信息的阅读效率，实现了信息的精准分发”^[29]。所以，尽管过去的媒体编辑推荐、搜索引擎推荐、社交关系推荐等诸多方式依然还在发挥着其应有的价值，但在智能媒体时代我们重点要做的却是想尽一切办法提升算法推荐系统的匹配度或精准度，借助于快速发展的深度学习技术和人工神经网络手段，我们完全可以做到这一点，匹配算法能够“从极大的数据量中学习，对未来做出预测，让机器变得更加聪明”^[30]，从而更加准确地预测用户在特定场景下的具体需求，循序渐进地提升匹配度。换句话说，趋于完美的计算传播模式应该是这样的，“你只会遇到那些此时此刻与你完全匹配的事物……唯一在前方等着你的就是那成堆的令你疯狂的事物。”^[31]