公告：Facebook最新资讯--facebook刷播放量平台
对新经济的创作者网络子公司而言，虚拟化和演算法监督机制关键在于下定决心着子公司的销售业务与艺术风格。News Feed是Facebook新闻报道发送销售业务的核心理念工程项目，以后News Feed的演算法历经过四个主要就期：
第二期：货币乘数名列演算法（EdgeRank Algorithm）。每一再次出现在你新闻报道源里的文本称作Object，与Object交互犯罪行为称作两个Edge，每两个Edge有3个非常重要的共同组成基本要素，依次是：U：亲密无间某种程度（Affinity Score），W：边类权重股（Edge Weight）和D：天数裂变（Time Decay）。对Edge造成的负面影响的不利因素共振在一同，则会减少Edge的平均分，接着就造成了EdgeRank。平均分越高，你的文本就更容易再次出现在使用者的News Feed里头。
第二期：机器学习与演算法预览。2011年后News Feed的次序演算法全面性转为了机器学习，用强化方法论来下定决心每一不利因素的权重股。该控制系统约有10亿个分立项的取舍不利因素。除最原初的3个EdgeRank基本要素以外，新重新加入的主要就包括：亲密关系预设、朋友圈类型、暗藏朋友圈/举发影迷facebook、点选电视广告和观赏其他文本的本篇、器与信息技术、故事情节下坡（Story Bumping） 和前段天数韦尔泰宗（Last Actor）。
第三期：协同过滤监督机制。在强化机器学习的同时，News Feed团队设置协同过滤监督机制。演算法工程师、数据科学家会将子公司雇佣的合同工反馈回来的评估重新预设演算法，提升新闻报道发送的精度和准度。
前段天数一次的演算法改进Facebook在以往协同过滤的监督机制基础上，进一步强调了使用者对最终文本的选择权。同时，这就意味着使用者需要更深地卷入到社交媒体的使用当中，用的越多，越是你想要的。Facebook也不再讳言自身的价值与利益，新闻报道的真实性取决于使用者的需要，客观的外部化标准让位于具体情境下网络平台与使用者的共谋与互建。那么问题是，这样的信息或者新闻报道生产方式潜藏着怎样的社会风险？
内循环的演算法审查易形成自生审查。2014年，北卡罗莱纳大学情报与图书馆学院的助理教授泽纳普•图菲克奇（Zeynep Tufekci）在一项研究中发现，Facebook的新闻报道发送演算法十分重视使用者的意见和共享，而这种基于点赞和评论的演算法会淹没掉像弗格森案这样的重要新闻报道，原因可能是因为该案件并不是很受欢迎也不好评论。她将这一现象称为Facebook对新闻报道信息的演算法审查（Algorithmic Censorship）。原因在于，Facebook新闻报道源发送演算法的设计标准是，无论是欢天喜地还是暴怒生气，不管是阴谋恶作剧还是晒娃自拍，重要的是该则新闻报道是否可被规模化地讨论。而如果没有人气，哪怕是一条非常重要的信息，也有可能不会再次出现在特定使用者的界面上，由此就形成了使用者的自生审查循环。
文本与数量上的协同过滤或导致信息操控。从Facebook的演算法监督机制中可以看出，编辑团队实际上已经作为协同过滤监督机制的一部分内嵌在与原初演算法、机器学习等技术不利因素同等重要的控制系统当中。偏见门后，为了解决这一问题，Facebook依次在今年6月底和8月底修改并预览了发送演算法，表示来自朋友的优先发送会导致新闻报道机构的推荐流量下降，并宣布Trending News功能由以往的编辑人工筛选编写摘要改为全部由机器演算法执行，希望由此降低主观不利因素对推荐文本的负面影响。通过改变演算法，Facebook勾勒出了新闻报道机构未来在社交网络中发展的初步路线图：在社交网络中的流动的信息就是使用者希望了解的信息。虽然Facebook并不一定承认自己是一家媒体，但在实际的销售业务中，对使用者的信息流操控确实存在逐渐增强的定向引流情况，并且从文本到数量，Facebook都实现了对使用者信息接触的实质性导引。
Facebook面临的问题也促使我们思考：是否需要某种一成不变的新闻报道价值观？不久前美国报业协会在坦普尔大学举办了联系与多样化媒体峰会，期间现任《今日美国》网络新闻报道销售业务的副总裁米泽尔•斯图尔特（Mizell Stewart）就提到：当所有事物都跟随着时代和社会在进化，为什么就新闻报道的价值观依然陈旧? 北德克萨斯大学新闻报道学院教授梅雷迪斯•克拉克 （Meredith D. Clark）对这个问题深有感触：主流媒体和传统新闻报道都只是两个时代的产物。
（原文参见：方师师. 演算法监督机制背后的新闻报道价值观——围绕Facebook偏见门事件的研究[J]. 新闻报道记者，2016(9):39-50.）
编辑：方师师
--上海社会科学院新闻报道研究所--
Institute of Journalism and Communication Studies
Shanghai Academy of Social Sciences
E-mail：xws@sass.org.cn
Website：http://www.sass.org.cn/xwyjs
