11月19日，《明報》刊登香港大學中國商業學院學科主任 (營銷管理)吳雷鈞博士文章《平臺演算法：與道德考慮（二之一）》，以下為文章內容。
在過去的十年，平臺化商業模式在中國數字化經濟中日益凸顯。這些平臺利用使用者資料分析來策劃個人化內容、推薦和服務。雖然推動了重大創新和生意的成長，但也同時引發了有關隱私、公平和社會影響的重要議題。
行動網際網路的快速普及和人工智慧的進步, 也進一步推動了平臺經濟。阿里巴巴、騰訊和字節跳動等中國主要科技平臺的演變，它們的推薦系統和定向廣告對消費者行為產生了不少影響，特別是資訊過濾和消費市場選擇的社會影響也有不少擔憂。
拼多多成立於2015年，是結合社群分享與遊戲化來提升使用者參與度的電子商務平臺。其演算法分析使用者瀏覽和購買資料，以呈現高度個人化的產品推薦，實現轉換率顯著高於行業平均水平。
TikTok（抖音）：字節跳動營運的短視訊平臺, 在中國取得了驚人的客戶數量成長速度，部分原因在於其先進的推薦引擎。透過追蹤使用者互動和對內容偏好行為進行建模，該演算法能夠提供高度有吸引力的個人化資訊流推送，使使用者平均每天在應用程式上停留將近一小時。
中國社交媒體和消費品推廣平臺從技術層面, 演算法依靠於:
A) 自然語言處理（NLP）：
平臺通常使用 NLP 技術來理解專案的文字內容、使用者生成的評論和搜尋查詢。這使他們能夠更好地對內容進行分類並將其與使用者興趣進行匹配，從而提供更相關的推薦, 比如微信和聊天APP。
B) 計算機視覺（Computer Graphics and Vision）：
平臺可以利用計算機視覺來分析專案的視覺內容，例如影像和影片。這有助於理解視覺內容的上下文和相關性，然後可用於提供更個人化的推薦, 例如淘寶、京東、影片號等。
而使用的主要演算法一般以內容、互動和個人化推薦系統為主，平臺通常會結合以下演算法模型：
1) 內容過濾（Content-Based Filtering）：
根據專案內容（例如貼文、產品資訊、關鍵詞、影像、影片等）與使用者過往的偏好和互動的相似性來分析，並將其與使用者的興趣和行為相匹配，比如小紅書等內容為主的推送平臺。
2) 協同過濾（Collaborative Filtering）：
演算法利用集體相似度來識別具有共同興趣和偏好的使用者，並推薦和引發使用者的互動或參與，代表有拼多多。
3) 混合方法（Hybrid Approaches）：
許多平臺結合基於內容和協同過濾技術來提供更準確和個人化的推薦，這種方法同時考慮了專案、商品、內容與使用者的集體偏好和類似度，舉例包括美團、大眾點評等。
4) 強化學習（Reinforcement Learning）：
一些平臺使用強化學習演算法根據使用者回饋和互動不斷改進其推薦模型。這些演算法從使用者的操作（例如點選、分享或購買）中學習，以改善推薦內容以更好地符合使用者的行為和偏好，抖音和TikTok為當中的表表者。
社交媒體與平臺透過個人化內容、商品和服務的推薦能夠有效的改善使用者體驗，並且提高商戶業務效率和銷售轉換率。並且帶來平臺商業生態的創業和創新機會。但另一方面，演算法經過資訊篩選和過濾，收窄了資訊提供的豐富度和選擇，有可能進一步導致決策偏差的強化。同時，平臺對資料隱私和使用者資訊集中的操作，一般沒有明確說明，這會產生消費者對平臺演算法產生歧視和不公平推送結果風險的擔憂。
平臺演算法在消費市場廣泛的採用也引發了重要的道德問題。一方面，這些技術為經濟成長和消費者賦權開闢了新途徑。然而，人們對這些演算法的不透明性、濫用的可能性以及它們對公共話語和個人行為產生的不成比例的影響存在合理的擔憂。
隨著這些平臺模式的不斷發展，政策制定者和產業領導者必須共同努力，制定在平衡創新和使用者福祉的指導方針。主要優先事項應包括加強資料隱私保護、促進演算法透明度，以及減輕有害內容放大或加劇社會不平等的偏頗風險。
中國的平臺經濟展現了先進演算法的變革力量。然而，隨著這些技術變得越來越普遍，它們的開發和部署必須伴隨嚴格的道德規範。只有這樣，才能以維護隱私、公平和社會責任原則的方式實現個人化演算法驅動的商業推薦和服務的好處。
作者簡介：
吳雷鈞 博士 Dr Bryan Ng
學科主任 (營銷管理)
前依視路陸遜梯卡集團(EssilorLuxottica Group) 高管
前日本Megane TOP 公司泛亞太區業務擴充套件總負責人
前強生視光學院院長
掃碼或點選“閱讀原文”獲取課程資料
