面向認(rèn)知增強(qiáng)的國(guó)潮文化資源推薦策略

安璐 陳苗苗 鄭雅靜

1 引言

2018年國(guó)潮興起。從字面解釋“國(guó)”即中國(guó)，或者本土，“潮”即潮流或當(dāng)下流行元素，國(guó)潮指在新興潮流審美中注入本土傳統(tǒng)文化元素，使傳統(tǒng)文化與潮流審美結(jié)合，從而讓人耳目一新的文化現(xiàn)象[1]。黨的二十大報(bào)告多次提到中華優(yōu)秀傳統(tǒng)文化，指出“中華優(yōu)秀傳統(tǒng)文化得到創(chuàng)造性轉(zhuǎn)化、創(chuàng)新性發(fā)展，文化事業(yè)日益繁榮，網(wǎng)絡(luò)生態(tài)持續(xù)向好，意識(shí)形態(tài)領(lǐng)域形勢(shì)發(fā)生全局性、根本性轉(zhuǎn)變。”中華優(yōu)秀傳統(tǒng)文化不能停留在書(shū)齋和故紙堆中，要與現(xiàn)代社會(huì)相結(jié)合，實(shí)現(xiàn)創(chuàng)造性轉(zhuǎn)化與創(chuàng)新性發(fā)展。本文沿用學(xué)者對(duì)于國(guó)潮文化的界定，即包括濃厚的中國(guó)特色元素，符合當(dāng)下流行的審美和藝術(shù)設(shè)計(jì)手法的文化形態(tài)?！皣?guó)潮”成為當(dāng)下熱詞，傳統(tǒng)文化元素不斷被融入化妝品、服裝、節(jié)目、游戲等[2]。例如，《唐宮夜宴》《只此青綠》等節(jié)目以獨(dú)特的文化形態(tài)，利用創(chuàng)新手法保護(hù)和傳承中國(guó)傳統(tǒng)文化，一經(jīng)推出便占據(jù)各大社交媒體榜首，成為文化熱點(diǎn)。

在文化熱點(diǎn)事件中，公眾大多是在李普曼所述的“擬態(tài)環(huán)境”[3]中獲取加工后的文化信息，海量的節(jié)目視頻等構(gòu)成了影響公眾對(duì)國(guó)潮文化認(rèn)知的主要刺激源。但是隨著熱點(diǎn)話題的生成，社交媒體中涌出的海量信息質(zhì)量良莠不齊，且包含大量同質(zhì)化信息（刺激源），容易導(dǎo)致公眾文化內(nèi)涵缺失，不利于文化傳承發(fā)展。此外，由于個(gè)體認(rèn)知系統(tǒng)的有限性[4]，公眾對(duì)于節(jié)目中包含的國(guó)潮文化信息的認(rèn)知存在局限性，很難靠自身突破認(rèn)知障礙。因此，有必要構(gòu)建國(guó)潮文化資源推薦策略，向公眾輸入更廣泛的認(rèn)知層面的刺激源（文化資源），使公眾增強(qiáng)對(duì)于國(guó)潮文化的認(rèn)知，從而更好地學(xué)習(xí)、傳承和發(fā)揚(yáng)優(yōu)秀的中華傳統(tǒng)文化。

鑒于此，本研究的目標(biāo)是通過(guò)文化資源推薦提升公眾對(duì)國(guó)潮文化的認(rèn)知，并提出以下三個(gè)子問(wèn)題：如何構(gòu)建國(guó)潮文化的文化分級(jí)大綱？公眾對(duì)國(guó)潮文化的文化認(rèn)知情況如何？如何構(gòu)建國(guó)潮文化資源推薦策略，以便提升公眾對(duì)國(guó)潮文化的認(rèn)知？其中，文化分級(jí)大綱的構(gòu)建為分析公眾國(guó)潮文化認(rèn)知特點(diǎn)和構(gòu)建國(guó)潮文化資源推薦策略提供基礎(chǔ)的文化分類依據(jù)；通過(guò)大數(shù)據(jù)實(shí)證研究分析公眾國(guó)潮文化認(rèn)知情況以揭示公眾文化認(rèn)知的局限性，從而為本文國(guó)潮文化資源推薦策略構(gòu)建的必要性提供動(dòng)機(jī)。

2 理論基礎(chǔ)與相關(guān)研究

2.1 認(rèn)知理論

認(rèn)知是個(gè)體認(rèn)識(shí)客觀世界的信息加工活動(dòng)。認(rèn)知心理學(xué)將認(rèn)知過(guò)程看成一個(gè)由信息的獲取、編碼、貯存、提取和使用等一系列連續(xù)的認(rèn)知操作階段組成的按一定程序進(jìn)行信息加工的系統(tǒng)[5]。認(rèn)知策略是指導(dǎo)認(rèn)知活動(dòng)的計(jì)劃、方案、技巧，由于人腦的信息加工能力是有限的，因此需要借助一定的認(rèn)知策略。但人在接收信息時(shí)，大多依靠經(jīng)驗(yàn)或個(gè)人直覺(jué)篩選出形成印象的必要信息[6]。皮亞杰的認(rèn)識(shí)結(jié)構(gòu)理論將其稱之為“認(rèn)知圖式”，指人腦對(duì)信息客體的選擇、整合和理解的方式，或者是人們?cè)谡J(rèn)知某一事物時(shí)人腦中原有的認(rèn)知框架。這說(shuō)明人的認(rèn)知不是對(duì)外部客體刺激而做出的簡(jiǎn)單心理反應(yīng)。任何來(lái)自外部客體的刺激都必須經(jīng)過(guò)“認(rèn)知圖式”，才能產(chǎn)生心理反應(yīng)，并在此基礎(chǔ)上形成主體的認(rèn)知[7]。皮亞杰在提出“認(rèn)知圖式”的同時(shí)，也提出與之密切相關(guān)的“同化”和“順應(yīng)”概念。它們是主體反映客體刺激過(guò)程中必然產(chǎn)生的兩種重要機(jī)能，刺激輸入的過(guò)濾或改變叫做同化，內(nèi)部圖式的改變以適應(yīng)現(xiàn)實(shí)叫做順應(yīng)[8]。在認(rèn)知同化學(xué)習(xí)理論中，奧蘇貝爾強(qiáng)調(diào)學(xué)習(xí)內(nèi)容要對(duì)學(xué)生具有潛在意義、能夠與學(xué)生已有的知識(shí)結(jié)構(gòu)聯(lián)系起來(lái)，并根據(jù)新舊觀念的概括水平劃分了下位學(xué)習(xí)、上位學(xué)習(xí)和并列結(jié)合學(xué)習(xí)三種認(rèn)知同化模式[9]，各模式概念解釋如表1所示。

表1 認(rèn)知同化模式及概念解釋Table 1 Cognitive Assimilation Model and Explanation of the Concepts

2.2 文化分類

文化概念較為復(fù)雜，為了對(duì)文化進(jìn)行系統(tǒng)性研究，學(xué)者們從宏觀和微觀兩個(gè)視角探究了文化的結(jié)構(gòu)和層次，以期建立架構(gòu)清晰的文化分析框架。從宏觀視角而言，文化層次構(gòu)建是關(guān)鍵。其中，又以霍爾（Hall）所提出的公開(kāi)的文化（物質(zhì)文化）和隱蔽的文化（精神文化）的文化二分類為關(guān)鍵基礎(chǔ)[10]。后續(xù)學(xué)者又從文化的不同內(nèi)涵出發(fā)，逐步發(fā)展出文化分類三要素：文化知識(shí)、文化意識(shí)、文化技能[11]，文化分類五要素：文化產(chǎn)品、文化實(shí)踐、文化觀念、文化社群和文化個(gè)體[12]，以及文化核心層概念：文化表層、文化中層、文化深層[13]等文化層次分類大綱。盡管文化層次分類多種多樣，但是目前國(guó)內(nèi)主流的文化層次分類方式主要采用由馮天瑜先生所提出的文化四層面說(shuō)，即將文化大綱分為物態(tài)文化、制度文化、行為文化和心態(tài)文化[14]。該文化層次分類從文化形態(tài)學(xué)角度將文化視作一個(gè)包括內(nèi)核與若干外緣的不定型的整體，從外而內(nèi)約略分為四個(gè)層次（即物態(tài)文化-制度文化-行為文化-心態(tài)文化），內(nèi)層輻射外層，外層反映內(nèi)層，越靠近內(nèi)核，文化層次越高，其文化觀念的概括抽象水平越高[15]。

從微觀視角而言，文化分類主要是對(duì)文化大綱進(jìn)行進(jìn)一步擴(kuò)展。例如，周小兵等人從3212冊(cè)教材中提取五百萬(wàn)字的大規(guī)模語(yǔ)料，通過(guò)語(yǔ)料標(biāo)注形成國(guó)情、日常、成就、實(shí)際、觀念五個(gè)大類及后續(xù)46個(gè)子層級(jí)[16]。馬新欽基于文化四層面說(shuō)，依據(jù)文化的本質(zhì)屬性對(duì)“語(yǔ)言中的文化”進(jìn)行細(xì)致分類，形成涵蓋大類、小類、子類、文化點(diǎn)、內(nèi)容舉例五級(jí)列項(xiàng)樹(shù)狀結(jié)構(gòu)的文化結(jié)構(gòu)[17]。徐緒堪等人通過(guò)對(duì)紅色文化知識(shí)元的分類，將紅色文化分為本體類、時(shí)間類、空間類、事件類等知識(shí)[18]。這些研究成果為學(xué)者進(jìn)行文化因素的研究提供了指導(dǎo)框架。

本文為探究公眾對(duì)國(guó)潮文化所關(guān)注的不同文化熱點(diǎn)，并為后續(xù)公眾文化認(rèn)知增強(qiáng)推薦做基礎(chǔ)，構(gòu)建關(guān)于國(guó)潮文化的“文化大類-文化小類-文化點(diǎn)”三層文化結(jié)構(gòu)的文化分析框架。其中，文化大類主要基于馮天瑜所提出的文化四層面說(shuō)，文化子類和文化點(diǎn)以馬新欽提出的文化大綱為依據(jù)，并依照本文數(shù)據(jù)集進(jìn)行適當(dāng)擴(kuò)展。文化大類層次的定義如表2所示。

表2 文化大類層次及定義Table 2 Hierarchy and Definition of Cultural Categories

2.3 文化資源推薦

盡管推薦系統(tǒng)廣泛應(yīng)用于許多領(lǐng)域，但公共數(shù)字文化領(lǐng)域的推薦系統(tǒng)還處于早期發(fā)展階段?；ヂ?lián)網(wǎng)中包含著大量的文化資源，包括百科、電子圖書(shū)和數(shù)字博物館等多類資源，而由于較少進(jìn)行需求分析，這些文化資源未能充分地被精確推薦給個(gè)人?，F(xiàn)有相關(guān)研究通常借鑒其他領(lǐng)域的推薦算法，一是以協(xié)同過(guò)濾推薦為基礎(chǔ)，考量用戶興趣相似性或者基于用戶社交圖譜計(jì)算用戶親密度，向目標(biāo)用戶推薦鄰居感興趣但目標(biāo)用戶鮮少了解的數(shù)字文化資源[19-20]；二是以內(nèi)容過(guò)濾推薦為基礎(chǔ)，通過(guò)建立文化資源數(shù)據(jù)庫(kù)，匹配用戶偏好和文化資源類型來(lái)進(jìn)行文化資源推薦[21-22]，或者利用LDA等語(yǔ)義模型構(gòu)建標(biāo)簽體系，利用標(biāo)簽相似性進(jìn)行推薦[23]；三是以混合推薦為基礎(chǔ)，利用兩種及以上的推薦算法，提出如基于標(biāo)簽融合和時(shí)間加權(quán)的協(xié)同過(guò)濾推薦算法[24]、基于知識(shí)圖譜的多目標(biāo)跨域模型推薦方法[25]、融合多語(yǔ)言和多標(biāo)準(zhǔn)檢索策略的語(yǔ)義移動(dòng)推薦方法[26]等。

雖然關(guān)于文化資源推薦積累了若干成果，然而仍存在一些不足。一是對(duì)文化資源的推薦僅停留在表層，未涉及更深層次的內(nèi)容，如用戶文化認(rèn)知。布魯克斯認(rèn)知觀理論揭示，信息檢索不僅是一種簡(jiǎn)單的物理或機(jī)械式的匹配活動(dòng)，更需要從用戶認(rèn)知視角建立整合認(rèn)知理論的信息檢索策略。二是傳統(tǒng)的推薦算法雖然提高了文化資源推薦內(nèi)容的準(zhǔn)確度，但是在一定程度上容易加速信息繭房效應(yīng)的形成，不利于用戶增強(qiáng)文化認(rèn)知、提升用戶文化素養(yǎng)。鑒于此，本研究提出面向用戶認(rèn)知增強(qiáng)的國(guó)潮文化資源推薦策略，即根據(jù)文化的分層結(jié)構(gòu)，構(gòu)建用戶文化認(rèn)知興趣模型和文化資源信息表示模型，然后基于認(rèn)知同化模式理論，借鑒三種同化模式構(gòu)建相應(yīng)的推薦策略，從而幫助用戶有意義地學(xué)習(xí)，以增強(qiáng)其文化認(rèn)知。

3 研究設(shè)計(jì)

3.1 推薦框架

本研究基于內(nèi)容過(guò)濾算法，提出面向認(rèn)知增強(qiáng)的文化資源推薦方法，總體推薦框架如圖1所示。在采集并預(yù)處理多個(gè)社交媒體平臺(tái)中關(guān)于國(guó)潮文化《唐宮夜宴》和《只此青綠》的文本內(nèi)容后，推薦總體框架分為兩部分進(jìn)行：第一部分涉及國(guó)潮文化大綱的建立，即對(duì)來(lái)自所有平臺(tái)預(yù)處理后的文本內(nèi)容進(jìn)行候選文化屬性詞抽取和文化屬性詞的確定，進(jìn)而構(gòu)建文化層次和文化主題的映射體系；第二部分涉及推薦方法的設(shè)計(jì)，以第一部分獲得的文化大綱為基礎(chǔ)，采用TextRank方法實(shí)現(xiàn)微博用戶文化興趣主題揭示和文化資源主題特征表示，并從匹配用戶文化主題偏好和增強(qiáng)用戶認(rèn)知兩個(gè)角度構(gòu)建推薦策略。

3.2 文化層次—文化主題映射體系構(gòu)建

文化是人類交流時(shí)普遍認(rèn)可的能傳承的意識(shí)形態(tài)，因此可通過(guò)語(yǔ)料了解到公眾對(duì)于文化的認(rèn)知程度。文化點(diǎn)，亦為文化主題，指能具體表現(xiàn)這些意識(shí)形態(tài)的客觀反映，通過(guò)語(yǔ)言中的文化詞匯可以找出涉及的文化點(diǎn)（文化主題）。從文化分類的微觀視角，可以找到每個(gè)文化點(diǎn)所屬的文化層次，進(jìn)而揭示社交媒體中用戶討論的文化主題分布。本文以馮天瑜和馬新欽的文化大綱為依據(jù)，利用各社交平臺(tái)公眾交流中涉及的文化詞匯，構(gòu)建關(guān)于國(guó)潮文化的“文化大類-文化小類-文化點(diǎn)（文化主題）”的文化層次—文化主題映射體系。該過(guò)程具體包括三個(gè)步驟:候選文化屬性詞抽取、候選文化屬性詞表示與聚類和文化層次—文化主題映射體系確定。

（1）候選文化屬性詞抽取

首先對(duì)文本內(nèi)容進(jìn)行分詞和去除停用詞處理。本文使用Jieba分詞工具對(duì)文本做分詞處理，并綜合使用中文停用詞表、四川大學(xué)機(jī)器智能實(shí)驗(yàn)室停用詞表、百度停用詞表、哈爾濱工業(yè)大學(xué)停用詞表以及spacy定義的停用詞表，去除文本中的停用詞。

然后抽取候選文化屬性詞。在識(shí)別屬性詞時(shí)，研究者常采用從文本數(shù)據(jù)中抽取高頻名詞的方法[27-28]，認(rèn)為高頻名詞往往是真正的關(guān)鍵詞匯。而在文化詞匯的構(gòu)成中，除了名詞外還包含其他具有實(shí)際意義的詞性類別，如動(dòng)名詞、形容詞、時(shí)間詞等[29]。因此本文利用Jieba詞性標(biāo)注和詞頻統(tǒng)計(jì)，抽取高頻的名詞、動(dòng)名詞、形容詞、時(shí)間詞作為候選文化屬性詞。

（2）候選文化屬性詞表示與聚類

為表征候選文化屬性詞，采用FastText對(duì)去除停用詞后的所有詞進(jìn)行詞向量訓(xùn)練，并利用訓(xùn)練好的模型對(duì)每個(gè)候選文化屬性詞構(gòu)建高維向量。FastText模型相較于word2vec模型具有詞向量表征生成速度更快的特點(diǎn)并能解決OOV（out of vocabulary）的問(wèn)題[30]，該模型是對(duì)skip-gram模型的進(jìn)一步改進(jìn)，能獲得更加精細(xì)的詞向量。

為了探究文化屬性詞所屬文化點(diǎn)，本文采用AP（Affinity propagation,相似性傳播）[31]聚類算法對(duì)候選文化屬性詞向量進(jìn)行聚類。AP聚類是一種基于數(shù)據(jù)點(diǎn)間的“信息傳遞”圖論聚類算法，主要優(yōu)點(diǎn)是無(wú)需預(yù)設(shè)聚類個(gè)數(shù)、聚類效果較好并且適用于多種場(chǎng)合[32]。

Digital Cultural Services AP聚類依據(jù)的指標(biāo)是數(shù)據(jù)之間的相似性，因此，首先利用余弦相似度計(jì)算候選文化屬性詞的相似度，構(gòu)建相似度矩陣，然后再輸入至AP聚類算法中，獲取文化屬性詞聚類情況。

（3）文化層次—文化主題映射體系確定

在構(gòu)建文化層次—文化主題映射體系時(shí)，首先過(guò)濾候選文化屬性詞集中的噪音。噪音包括：①非文化屬性類簇，即整個(gè)類簇中的詞均不是文化詞匯；②文化屬性類簇中的非文化屬性候選詞。獲得文化屬性詞集{Cw1,Cw2,……,Cwi}及高頻的非文化屬性詞集{UCw1,UCw2,……,UCwi}。然后為每個(gè)文化屬性類簇進(jìn)行命名并總結(jié)文化主題[33-34]，再依據(jù)文化大綱將各個(gè)文化主題進(jìn)行類別標(biāo)注，在標(biāo)注過(guò)程中可對(duì)文化小類進(jìn)行擴(kuò)充以適應(yīng)國(guó)潮文化的體系。最終確定社交媒體中關(guān)于國(guó)潮文化的文化層次和文化主題之間的映射體系。

3.3 基于TextRank的用戶文化興趣建模與文化資源特征表示

傳統(tǒng)用戶興趣建模方法多基于用戶瀏覽行為、依賴用戶評(píng)分信息。隨著互聯(lián)網(wǎng)的興起，基于用戶生成內(nèi)容的用戶興趣建模技術(shù)已較為成熟。因此，本文利用基于文化屬性詞的權(quán)重向量空間模型表示方法，對(duì)用戶文化興趣和文化資源特征進(jìn)行表征，為后續(xù)從認(rèn)知增強(qiáng)的角度向用戶推薦感興趣且高質(zhì)量的文化資源奠定基礎(chǔ)。

為表征文化主題的權(quán)重，本文使用TextRank抽取文本中的關(guān)鍵詞并計(jì)算詞權(quán)重[35]。TextRank是一種經(jīng)典的圖模型算法，其借鑒PageRank算法思想將文本中詞語(yǔ)看作節(jié)點(diǎn)，并利用詞共現(xiàn)關(guān)系建立節(jié)點(diǎn)間的圖模型。該算法依據(jù)文本中詞匯的結(jié)構(gòu)信息測(cè)度詞項(xiàng)重要性，無(wú)需訓(xùn)練，簡(jiǎn)單有效，近年來(lái)得到廣泛應(yīng)用。由于用戶文化興趣建模和文化資源特征表示大部分步驟類似，因此本文以用戶文化興趣建模為例，具體步驟如下。

（1）首先聚合同一用戶的全部微博博文，然后對(duì)文本進(jìn)行分詞和去停用詞處理。利用TextRank算法從文本中抽取關(guān)鍵詞，并計(jì)算每個(gè)關(guān)鍵詞的權(quán)重，計(jì)算方法如公式（1）所示。

其中，W(vt)為用戶i在關(guān)鍵詞t上的興趣權(quán)重，d為學(xué)習(xí)率（一般為0.85），vt、vs分別表示節(jié)點(diǎn)t和節(jié)點(diǎn)s，In(vt)表示所有指向節(jié)點(diǎn)t的節(jié)點(diǎn)，Wts表示節(jié)點(diǎn)t和節(jié)點(diǎn)s的鏈接的權(quán)重值。

用戶的關(guān)鍵詞偏好用K={(K1,W(v1)),(K2,W(v2)),……,(Kt,W(vt))}描述。其中，Kt表示第t個(gè)關(guān)鍵詞，W(vt)為關(guān)鍵詞Kt的權(quán)重。

（2）為表征用戶文化興趣主題偏好，根據(jù)詞性對(duì)上一步得到的關(guān)鍵詞進(jìn)行過(guò)濾，抽取詞性為名詞、動(dòng)名詞、形容詞、時(shí)間詞的關(guān)鍵詞及其對(duì)應(yīng)的權(quán)重。然后根據(jù)3.2節(jié)構(gòu)建的文化層次—文化主題映射體系，通過(guò)計(jì)算關(guān)鍵詞Kt與文化屬性詞Cwi的余弦相似度Similarity(Kt,Cwi)來(lái)判斷用戶感興趣的文化主題，具體計(jì)算規(guī)則如下：

①如果關(guān)鍵詞Kt與文化屬性詞集中的詞語(yǔ)Cwi相同，即Similarity(Kt,Cwi)=1，則將Cwi所屬的文化主題作為該用戶感興趣的一個(gè)文化主題Tt。

②如果關(guān)鍵詞Kt與非文化屬性詞集中的詞語(yǔ)UCwi相同，即Similarity(Kt,UCwi)=1，由此判斷該關(guān)鍵詞不屬于文化屬性詞，則去除該詞。

③如關(guān)鍵詞Kt不滿足①和②兩種情況，則需計(jì)算關(guān)鍵詞Kt與文化屬性詞集中每個(gè)詞語(yǔ)的余弦相似度，找到與關(guān)鍵詞Kt最相似的Cwi，即MaxSimilarity(Kt,Cwi)。同樣地，計(jì)算關(guān)鍵詞Kt與非文化屬性詞集中每個(gè)詞語(yǔ)的余弦相似度，找到與關(guān)鍵詞Kt最相似的UCwi及MaxSimilarity(Kt,UCwi)。當(dāng)MaxSimilarity(Kt,Cwi)的值大于0.5且大于MaxSimilarity(Kt,UCwi)時(shí)，則將Cwi所屬的文化主題作為該用戶感興趣的一個(gè)文化主題Tt，否則去除該詞。

（3）整合用戶文化主題向量偏好，用戶對(duì)第t個(gè)文化主題的興趣權(quán)重Interestt計(jì)算過(guò)程如下：

①如果一個(gè)文化主題對(duì)應(yīng)一個(gè)關(guān)鍵詞，則將該關(guān)鍵詞的權(quán)重作為該文化主題的初始興趣權(quán)重。

②如果一個(gè)文化主題對(duì)應(yīng)多個(gè)關(guān)鍵詞，則將多個(gè)關(guān)鍵詞的權(quán)重之和作為該文化主題的初始興趣權(quán)重。

③使用最大最小標(biāo)準(zhǔn)化法對(duì)初始興趣權(quán)重值進(jìn)行歸一化處理后得到興趣權(quán)重Interestnorm，計(jì)算方法如公式（2）所示：

利用向量空間模型將用戶文化興趣表示為{（文化主題1，興趣權(quán)重），（文化主題2，興趣權(quán)重）...},如公式（3）所示：

其中，Tui為用戶i的文化興趣向量，Tt為用戶i所關(guān)注的第t個(gè)文化主題，Interestt為用戶i在文化主題Tt上的興趣權(quán)重。

對(duì)于文化信息資源的文化特征表示可參考用戶興趣建模的過(guò)程，在數(shù)據(jù)清洗階段對(duì)文化資源進(jìn)行去重，去除文本長(zhǎng)度過(guò)小和無(wú)價(jià)值的文化資源。然后利用TextRank對(duì)文本進(jìn)行關(guān)鍵詞抽取，重復(fù)步驟（2）和步驟（3）。最終文化資源特征表示為{（文化主題1，特征權(quán)重），（文化主題2，特征權(quán)重）...}，如公式（4）所示：

其中，Dti為文化資源i的特征向量，Tt為文化資源i的第t個(gè)文化主題，Weightt為文化資源i在文化主題Tt上的特征權(quán)重。

特別地，根據(jù)文化主題所對(duì)應(yīng)的文化層次，可進(jìn)一步計(jì)算用戶文化層次分布向量Dui和文化資源文化層次分布向量Pti。具體而言，用戶文化層次分布向量Dui可表示為{(D1,DInterest1'),(D2,DInterest2'),……,(Dm,DInterestm')}，其中Dm表示文化小類m，DInterestm'為該文化小類的權(quán)重，由屬于該文化小類層次下的用戶i感興趣的文化主題{Interest1,Interest2,...,Interestn}興趣權(quán)重加和后并用最大最小標(biāo)準(zhǔn)化法歸一化處理后的值來(lái)度量，n為該文化層次下文化主題的數(shù)量。同理，文化資源文化層次分布向量Pti可表示為{(D1,DWeight1'),(D2,DWeight2'),…,(Dm,DWeightm')}，Dm表示文化小類m，DWeightm'由屬于該文化小類層次下的文化資源i的文化主題權(quán)重{Weight1,Weight2,...,Weightn}加和后并用最大最小標(biāo)準(zhǔn)化法歸一化處理后的值來(lái)度量。

3.4 面向認(rèn)知增強(qiáng)的國(guó)潮文化資源推薦模型

基于3.3節(jié)獲得的用戶文化興趣主題向量(Tui)、文化資源文化主題分布向量(Dti)、用戶文化層次分布向量(Dui)和文化資源文化層次分布向量(Pti)，本文首先利用余弦相似性，計(jì)算用戶文化主題偏好Tui和文化資源文化主題分布Dti的相似度（取值范圍從-1到1），將相似度大于0的文化資源作為候選推薦列表。其次，基于認(rèn)知同化理論從認(rèn)知增強(qiáng)的角度向用戶推薦文化資源，具體規(guī)則如表3所示。

表3 基于認(rèn)知同化理論的文化資源推薦策略Table 3 Cultural Resource Recommendation Strategy Based on Cognitive Assimilation Theory

需要注意的是，由于用戶和文化資源具有不同權(quán)重的文化層次傾向(Dui和Pti)，因此在向用戶進(jìn)行推薦時(shí)，本文考慮了用戶及文化資源文化層次權(quán)重大于0.5的類別。以序號(hào)為B（如表3所示）的推薦策略為例，當(dāng)用戶只處于心態(tài)文化層次，即用戶文化層次大類權(quán)重大于0.5的類別有且僅有心態(tài)文化層次，或者用戶處于混合認(rèn)知同化模式[包含心態(tài)文化]，即用戶文化層次大類權(quán)重大于0.5的類別至少包含兩個(gè)大類且其中一類為心態(tài)文化時(shí)，判斷用戶所處文化層次小類是否包含其感興趣的文化層次大類下的所有小類。①對(duì)于包含所有小類的，采取“下位學(xué)習(xí)推薦”方式，按文化資源文化層次大類遞減順序和相似度遞減順序，向用戶推薦文化層次權(quán)重大于0.5的類別中其他文化層次的文化資源；②若用戶所處文化層次小類不包含其感興趣的文化層次大類下的所有小類，則采取“下位學(xué)習(xí)和并列結(jié)合學(xué)習(xí)并行推薦”的方式，優(yōu)先向用戶推薦文化資源文化層次權(quán)重大于0.5類別中包含文化層次大類相同的其他小類和其他文化層次大類遞減排序的第一順序大類下的任一小類，再按文化資源文化層次權(quán)重大于0.5類別中所包含的其他文化層次大類遞減及相似度遞減順序推薦其他文化資源。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 推薦有效性評(píng)估實(shí)驗(yàn)方案和實(shí)驗(yàn)環(huán)境

由于本研究主要從認(rèn)知增強(qiáng)的角度向用戶推薦國(guó)潮文化資源，因此推薦結(jié)果的豐富度和差異性是評(píng)估推薦策略有效性的重要指標(biāo)。豐富度強(qiáng)調(diào)推薦結(jié)果的覆蓋情況，差異性意味著推薦結(jié)果是否為用戶提供更多認(rèn)知以外的內(nèi)容[36-37]。在本文中分別考量推薦結(jié)果文化主題豐富度Topical_richnessu i、文化層次豐富度Level_richnessui、文化主題差異性Topical_diあerenceui和文化層次差異性Level_diあerenceui。假設(shè)LN(ui)為用戶ui的TOP-N推薦列表，四個(gè)指標(biāo)的評(píng)估定義如公式（5）到（8）所示：

其中，N為向用戶推薦ui的 文化資源個(gè)數(shù)，Num(Tm)為推薦的第m個(gè)文化資源所包含的文化主題個(gè)數(shù)，Num(T_lm)為推薦的第m個(gè)文化資源所包含的文化層次個(gè)數(shù)，Diあerece(Tm-Tu i)表示推薦的第m個(gè)文化資源所包含的文化主題與第i個(gè)用戶感興趣的文化主題不同的數(shù)量，DiあerenceT_lm-T_l u i表示推薦的第m個(gè)文化資源所包含的文化層次與第i個(gè)用戶感興趣的文化層次不同的數(shù)量。

本研究使用的基準(zhǔn)推薦模型是基于余弦相似性排序的推薦算法，該算法計(jì)算用戶i的文化興趣向量Tui和每個(gè)文化資源文化主題分布向量Dti之間的余弦相似性，并將文化資源按照余弦相似性值的大小進(jìn)行排序。

然后，利用統(tǒng)計(jì)學(xué)分析中的配對(duì)樣本檢驗(yàn)，通過(guò)比較基準(zhǔn)模型所推薦結(jié)果的四個(gè)指標(biāo)和本方法所推薦結(jié)果四個(gè)指標(biāo)的差異變化，來(lái)檢驗(yàn)本方法的推薦結(jié)果的有效性。如果樣本中四個(gè)指標(biāo)符合正態(tài)分布，則使用配對(duì)樣本T檢驗(yàn)，否則使用非參數(shù)檢驗(yàn)方法Wilcoxon秩和檢驗(yàn)驗(yàn)證推薦結(jié)果的差異性。

本研究的實(shí)驗(yàn)環(huán)境如下：①硬件環(huán)境。CPU處理器：12th Gen Intel（R）Core（TM）i9-12900K 3.20 GHz，內(nèi)存：64.0 GB，硬盤：5T，操作系統(tǒng)：Windows 11專業(yè)版64位。②軟件環(huán)境。本研究提出的研究方案和實(shí)驗(yàn)方案均使用Python語(yǔ)言編寫(xiě)，版本為3.9.12，編譯環(huán)境為Jupyter notebook。

4.2 數(shù)據(jù)獲取與處理

為盡可能多地獲取語(yǔ)料，本文選取國(guó)內(nèi)六大主流社交媒體平臺(tái)，采集關(guān)于《唐宮夜宴》和《只此青綠》兩類國(guó)潮文化節(jié)目的相關(guān)內(nèi)容。采集時(shí)間設(shè)置為從相關(guān)節(jié)目第一條微博、視頻或文章發(fā)布時(shí)間至爬蟲(chóng)運(yùn)行時(shí)間。因此，《唐宮夜宴》數(shù)據(jù)集采集時(shí)間為2021年2月9日至2022年10月15日，《只此青綠》數(shù)據(jù)集采集時(shí)間為2021年12月30日至2022年10月15日。各社交媒體平臺(tái)采集規(guī)則和獲取的數(shù)據(jù)量如表4所示，最終獲得原始數(shù)據(jù)約105萬(wàn)條。隨后，對(duì)獲取到的文本數(shù)據(jù)進(jìn)行清洗，過(guò)濾掉文本中的表情符號(hào)、正文中的@及@的用戶名、網(wǎng)址、#話題、多余空格等。

表4 各社交媒體平臺(tái)及其數(shù)據(jù)采集規(guī)則Table 4 Data Collection Rules for Social Media Platforms

對(duì)于來(lái)自微博平臺(tái)的數(shù)據(jù)，去除空值等無(wú)用數(shù)據(jù)條目，并聚合同一微博用戶的博文內(nèi)容，最終累計(jì)獲得36,001個(gè)用戶發(fā)布文本數(shù)據(jù)；對(duì)于文化資源數(shù)據(jù)（來(lái)自知乎、豆瓣和微信公眾號(hào)），通過(guò)對(duì)文化資源進(jìn)行去重、去除文本長(zhǎng)度小于200且無(wú)價(jià)值的文化資源，最終獲得來(lái)自知乎答案的數(shù)據(jù)242條、知乎專欄數(shù)據(jù)338條、豆瓣數(shù)據(jù)188條和微信公眾號(hào)數(shù)據(jù)2282條，累計(jì)3,050條，然后其進(jìn)行數(shù)值編號(hào)。對(duì)于來(lái)自B站和抖音的數(shù)據(jù)主要清洗其文本內(nèi)容，包括去除表情符號(hào)、網(wǎng)址、空白符等，并將清洗后的文本作為本研究的補(bǔ)充語(yǔ)料庫(kù)以訓(xùn)練詞向量。

4.3 文化層次—文化主題映射體系

根據(jù)3.2節(jié)文化層次-文化主題映射體系的構(gòu)建方法，我們對(duì)來(lái)自六大平臺(tái)經(jīng)過(guò)處理后的全部文本數(shù)據(jù)進(jìn)行Jieba分詞和去停用詞處理。具體步驟如下：首先，抽取候選文化屬性詞。通過(guò)詞性篩選，本文累計(jì)獲得76,531個(gè)具有名詞、動(dòng)名詞、形容詞和時(shí)間詞詞性的詞語(yǔ)，然后選擇詞頻大于等于100的高頻詞作為候選文化屬性詞，累計(jì)獲得6,868個(gè)候選文化屬性詞。為確保聚類結(jié)果，在這些候選文化屬性詞中篩出2,370個(gè)非文化屬性詞。

其次，表征候選文化屬性詞并對(duì)候選文化屬性詞聚類。本文對(duì)去除停用詞的全部語(yǔ)料庫(kù)進(jìn)行FastText訓(xùn)練。訓(xùn)練過(guò)程中設(shè)置上下文掃描窗口為5、最小詞頻數(shù)為5、字符ngram的最小長(zhǎng)度為2、字符ngram的最大長(zhǎng)度為4、詞向量維度為400維，最終獲得訓(xùn)練好的FastText模型，并利用該模型表征4,498個(gè)候選文化屬性詞；繼而利用余弦相似性構(gòu)建詞與詞的相似度矩陣（4498*4498），然后使用AP聚類自動(dòng)獲得492個(gè)類簇。

最后，確定文化層次—文化主題映射體系。本文招募兩名社交媒體分析方向的研究生對(duì)聚類結(jié)果進(jìn)行噪音過(guò)濾和類簇命名與文化歸類。在類簇命名與文化歸類過(guò)程中，若存在由個(gè)人無(wú)法確定的類別命名，則請(qǐng)本領(lǐng)域的學(xué)者共同商定類簇命名與文化歸類，若存在爭(zhēng)議，則以少數(shù)服從多數(shù)原則確定類簇命名和文化歸類。根據(jù)馮天瑜總結(jié)的“文化四層面說(shuō)”及馬新欽編制的文化大綱，最終確定適用于國(guó)潮文化的2,624個(gè)高頻文化屬性詞、144個(gè)文化點(diǎn)（文化主題）及17個(gè)文化層次小類。高頻詞中不屬于文化屬性詞的被歸為非文化屬性詞集，累計(jì)4,244個(gè)詞。文化層次-文化主題映射體系如表5所示，其中大類和小類中的數(shù)字表示編號(hào)。

表5 文化層次-文化主題映射體系Table 5 The Cultural Hierarchy -Cultural Theme Mapping System

4.4 用戶文化興趣分布與文化資源特征分布

本文根據(jù)3.3節(jié)對(duì)用戶文化興趣建模和文化資源特征表示的方法獲得微博用戶和文化資源的文化分布，為清晰展示用戶文化興趣分布和文化資源特征分布，繪制不同文化分類下微博用戶和文化資源的數(shù)量及占比情況（圖2）、微博用戶文化主題關(guān)聯(lián)網(wǎng)絡(luò)（圖3（a））和文化資源文化主題關(guān)聯(lián)網(wǎng)絡(luò)（圖3（b））以及微博用戶和文化資源包含文化層次小類數(shù)量的情況（圖4）。其中圖3圓點(diǎn)的大小代表含有該文化主題的用戶數(shù)量或者文化資源數(shù)量，邊的粗細(xì)代表文化主題在文本中共同出現(xiàn)的次數(shù)。

圖2 不同文化分類下微博用戶和文化資源的數(shù)量及占比Fig.2 The Number and Proportion of Weibo Users and Cultural Resources Under Different Cultural Categories

圖3 文化主題關(guān)聯(lián)網(wǎng)絡(luò)（局部圖）Fig.3 The Cultural Theme Association Network（Partial View）

圖4 各文化小類數(shù)量對(duì)應(yīng)的微博用戶數(shù)量和文化資源數(shù)量Fig.4 Number of Weibo Users and Number of Cultural Resources for Different Numbers of Cultural Subcategories

（1）用戶文化興趣分布特點(diǎn)

從圖2中可以看到，①物態(tài)文化層次：微博用戶對(duì)該層次下的文化小類的關(guān)注較少，主要關(guān)注集中在“器用”文化，占比約11.8%，只有2%的用戶對(duì)該層次下的“交通”感興趣；②制度文化層次：微博用戶對(duì)該層次下的任一文化小類的興趣都較弱，所有文化小類都僅有不超過(guò)10%的用戶表現(xiàn)出興趣；③行為文化層次：大多數(shù)用戶對(duì)國(guó)潮文化的行為文化層次的關(guān)注遠(yuǎn)遠(yuǎn)高于物態(tài)文化層次和制度文化層次，有30.9%的用戶對(duì)該層次下的“民俗行為文化”感興趣，12.8%的用戶關(guān)注“交際行為文化”；④心態(tài)文化層次：用戶對(duì)該文化層次的內(nèi)容極為感興趣，但興趣程度不一，約46.1%的用戶對(duì)國(guó)潮文化心態(tài)文化層次的“藝術(shù)”呈現(xiàn)極為感興趣，29.7%的用戶對(duì)心態(tài)文化層次的“思想觀念”感興趣，只有0.8%的用戶以及2.1%的用戶分別對(duì)“古代哲學(xué)與宗教”與“科學(xué)”感興趣；⑤無(wú)文化興趣：有26.7%的用戶展現(xiàn)出了“無(wú)文化興趣”，即文本中不含有任何文化層次的文化點(diǎn)。

通過(guò)呈現(xiàn)各文化層次的用戶文化興趣分布情況，不難發(fā)現(xiàn)公眾國(guó)潮文化認(rèn)知的特點(diǎn)：微博用戶對(duì)各文化層次的興趣分布不均衡，相當(dāng)一部分用戶沒(méi)有文化興趣，近半數(shù)的用戶對(duì)國(guó)潮文化的興趣集中在較高層次的心態(tài)文化和行為文化層次。近半數(shù)的用戶具有較高層次的文化感知，我們認(rèn)為，一方面這在很大程度上與《唐宮夜宴》和《只此青綠》國(guó)潮文化以舞蹈節(jié)目向公眾傳達(dá)中國(guó)傳統(tǒng)文博美學(xué)的呈現(xiàn)方式相關(guān)，例如從圖3（a）中我們發(fā)現(xiàn)大部分用戶對(duì)心態(tài)文化-藝術(shù)層次的“舞蹈”“創(chuàng)作”等文化點(diǎn)進(jìn)行了評(píng)價(jià)。另一方面，這也體現(xiàn)了這類出圈的國(guó)潮文化對(duì)公眾的教育意義，即激發(fā)公眾概念水平較高層次的“行為文化”和“心態(tài)文化”意識(shí)的形成，但這同時(shí)也可能促成了同質(zhì)化的信息環(huán)境。

進(jìn)一步地，從圖4不同文化小類數(shù)量下微博用戶的數(shù)量曲線可以看到，隨著文化小類數(shù)量的增多，微博用戶數(shù)量呈現(xiàn)先驟減再趨向于平穩(wěn)的狀態(tài)，即微博用戶對(duì)文化小類的關(guān)注通常包含0到4個(gè)，幾乎沒(méi)有任何用戶感興趣的文化小類超過(guò)8個(gè)。這印證了人類認(rèn)知確實(shí)存在局限性[4]。因此，向用戶推薦具有更廣泛文化認(rèn)知的文化資源以拓展用戶對(duì)國(guó)潮文化關(guān)注的范圍是必要的。

（2）文化資源文化特征分布特點(diǎn)

文化資源文化特征分布展現(xiàn)出不同特點(diǎn)。從圖2看到，同微博用戶文化層次興趣分布相比，文化資源各文化層次類別分布相對(duì)較為均勻，盡管一些文化類別（如外交制度、古代哲學(xué)與宗教），相對(duì)于其他類別的文化層次，被提及得較少，但分別仍有24.4%、38.9%提及率，數(shù)量占比較多。特別是，心態(tài)文化下的藝術(shù)、思想觀念和歷史以及行為文化層次的民俗行為文化和交際行為文化，至少90%的文化資源都有提及。

從圖3（a）微博用戶文化主題關(guān)聯(lián)網(wǎng)絡(luò)和圖3（b）文化資源文化主題關(guān)聯(lián)網(wǎng)絡(luò)可以看到，微博用戶文化主題關(guān)聯(lián)網(wǎng)絡(luò)呈現(xiàn)淺灰色，文化主題連接比較稀疏，并且可以清晰看到一些比較突出的深灰色的線，意味著不同文化主題共現(xiàn)相對(duì)不均。相較于微博用戶文化主題關(guān)聯(lián)網(wǎng)絡(luò)，文化資源文化主題的關(guān)聯(lián)網(wǎng)絡(luò)呈現(xiàn)深灰色，文化主題連接更為緊密，大多數(shù)文化主題共現(xiàn)的邊展現(xiàn)出相近的灰色，意味著文化主題分布比較均勻。圖4虛線部分從另一方面展示了文化資源在文化分布特征上的特點(diǎn)，大部分文化資源涉及的文化小類數(shù)量在11到15之間，意味著文化資源會(huì)從多個(gè)文化認(rèn)知角度呈現(xiàn)國(guó)潮文化的內(nèi)容，從而能夠用于向用戶推薦，以拓展用戶文化認(rèn)知關(guān)注點(diǎn)。

4.5 推薦結(jié)果

由于推薦結(jié)果較多，本文僅展示一個(gè)例子并顯示前三個(gè)推薦結(jié)果。以某微博用戶發(fā)表的內(nèi)容：“《唐宮夜宴》將唐朝少女們的嬌憨靈動(dòng)表現(xiàn)得淋漓盡致，這樣的文化輸出就應(yīng)該出圈的呀！看了這場(chǎng)節(jié)目，仿佛身臨其境般地回到了過(guò)去，感慨盛唐的繁榮昌盛！”為例，該用戶對(duì)國(guó)潮文化感知主要在4-15、4-13和3-12文化層次，即“心態(tài)文化-歷史”“心態(tài)文化-思想觀念”和“行為文化-交際行為文化”層次。因此將以推薦策略C向該用戶推薦文化資源，推薦結(jié)果包括：①來(lái)自微信公眾號(hào)的“《唐宮夜宴》出圈記：是誰(shuí)復(fù)活了這群‘唐朝小胖妞’？”，該文章排名前五的主要文化層次包括“心態(tài)文化-藝術(shù)”“心態(tài)文化-歷史”“行為文化-民俗行為文化”“心態(tài)文化-思想觀念”“行為文化-交際行為文化”；②來(lái)自微信公眾號(hào)的“一夜之間火出圈的《唐宮夜宴》，憑什么”，該文章排名前五的主要文化層次包括“心態(tài)文化-藝術(shù)”“心態(tài)文化-歷史”“心態(tài)文化-思想觀念”“行為文化-民俗行為文化”“物態(tài)文化-服飾”；③來(lái)自知乎答案的關(guān)于《唐宮夜宴》內(nèi)容的評(píng)價(jià)（https://www.zhihu.com/question/514238732/answer/2331776083），該回答排名前五的主要文化層次包括“心態(tài)文化-藝術(shù)”“心態(tài)文化-思想觀念”“行為文化-民俗行為文化”“心態(tài)文化-歷史”“物態(tài)文化-器用”。

4.6 推薦有效性檢驗(yàn)

根據(jù)4.1節(jié)推薦有效性評(píng)估方案，本文將推薦列表設(shè)置為5，計(jì)算基于相似度排序的前5個(gè)推薦列表和使用本文推薦策略進(jìn)行推薦的前5個(gè)列表的文化主題豐富度、文化層次豐富度、文化主題差異性和文化層次差異性。由于“無(wú)文化興趣”的用戶占比較多，容易造成結(jié)果失真，因此在考量本文推薦策略有效性時(shí)，去除該類用戶。然后利用SPSS軟件中的K-S檢驗(yàn)判斷四個(gè)指標(biāo)是否服從正態(tài)分布，結(jié)果顯示其漸進(jìn)顯著性數(shù)值為0.00<0.05，說(shuō)明四個(gè)指標(biāo)均不滿足正態(tài)分布，因此本文使用非參數(shù)檢驗(yàn)方法Wilcoxon秩和檢驗(yàn)計(jì)算推薦結(jié)果的差異性，檢驗(yàn)結(jié)果如表6所示，其中S表示使用基于相似度排序的推薦策略，Q表示本文的推薦策略。

表6 非參數(shù)檢驗(yàn)結(jié)果Table 6 Nonparametric Test Results

從表6看到，對(duì)于文化主題豐富度、文化層次豐富度、文化主題差異性和文化層次差異性四個(gè)指標(biāo)，基于相似度排序推薦方法的均值、中位數(shù)始終小于本文面向認(rèn)知增強(qiáng)的文化資源推薦方法的均值和中位數(shù)，而標(biāo)準(zhǔn)偏差則恰恰相反。同時(shí)，基于負(fù)秩的非參數(shù)檢驗(yàn)的Z值均為負(fù)數(shù)且顯著性水平0.000遠(yuǎn)小于0.05，表明相較于基于相似度的方法而言，本文所構(gòu)建的面向認(rèn)知增強(qiáng)的國(guó)潮文化資源推薦策略能為用戶提供涵蓋更全面豐富的文化主題和文化層次、更多差異化的文化主題和文化層次的文化資源，從而滿足用戶“有意義”的學(xué)習(xí)需求。

5 結(jié)論

本文收集和處理國(guó)內(nèi)六大主流社交媒體平臺(tái)關(guān)于《唐宮夜宴》和《只此青綠》兩大國(guó)潮文化節(jié)目的約105萬(wàn)條文本數(shù)據(jù)，首先抽取高頻名詞、動(dòng)名詞、形容詞、時(shí)間詞作為候選文化屬性詞，利用FastText訓(xùn)練詞向量及表征候選文化屬性詞，并基于詞向量相似度結(jié)果進(jìn)行詞向量AP聚類，最終以馮天瑜和馬新欽所提出的文化分類大綱為基礎(chǔ)，通過(guò)聚類結(jié)果命名、篩選和過(guò)濾，構(gòu)建關(guān)于國(guó)潮文化的“文化大類-文化小類-文化點(diǎn)（文化主題）”三層文化結(jié)構(gòu)的文化層次-文化主題映射體系。

然后，利用TextRank建立用戶文化興趣向量模型和文化資源文化特征向量模型，對(duì)用戶文化分布和文化資源文化分布進(jìn)行可視化展現(xiàn)和分析。結(jié)果表明公眾對(duì)國(guó)潮文化的認(rèn)知廣泛受到國(guó)潮文化呈現(xiàn)方式的影響，主要集中在心態(tài)文化和行為文化兩大層面。這盡管體現(xiàn)了出圈國(guó)潮文化的教育意義，但公眾對(duì)國(guó)潮文化的了解鮮少涉及國(guó)潮文化的外緣層面，如物態(tài)文化和制度文化等。其次用戶文化層次分布不均且文化主題關(guān)聯(lián)也不緊密，表明用戶對(duì)文化的認(rèn)知能力確實(shí)有限。此外，相當(dāng)一部分用戶表現(xiàn)出了“無(wú)文化興趣”的特征。

最后，本文從認(rèn)知同化理論出發(fā)，構(gòu)建面向用戶認(rèn)知增強(qiáng)的國(guó)潮文化資源推薦模型，并使用非參數(shù)檢驗(yàn)方法Wilcoxon秩和檢驗(yàn)方法從豐富度和差異性兩個(gè)角度證明了相較于使用基于相似度排序的方法向用戶推薦文化資源，本文所構(gòu)建的推薦策略能夠向用戶推薦更豐富和多樣化的文化資源內(nèi)容，從而能夠幫助用戶高效、高質(zhì)地學(xué)習(xí)“有意義”的國(guó)潮文化，進(jìn)而提升公眾國(guó)潮文化認(rèn)知水平。

本文的理論貢獻(xiàn)在于構(gòu)建基于社交媒體數(shù)據(jù)分析的文化層次-文化主題映射體系，根據(jù)用戶文化認(rèn)知特點(diǎn)，從文化認(rèn)知增強(qiáng)角度提出用戶文化資源推薦策略，豐富了社交媒體內(nèi)容推薦的研究視角和研究?jī)?nèi)容。在實(shí)踐價(jià)值上，本研究所提出的推薦策略可以將合適的文化資源推送給用戶，方便用戶在同質(zhì)化信息環(huán)境中突破自我文化認(rèn)知局限，從而整體提升用戶文化素養(yǎng)，傳承發(fā)揚(yáng)中國(guó)傳統(tǒng)文化。本文的局限性在于僅以兩個(gè)國(guó)潮文化節(jié)目為研究對(duì)象，所獲得的文化主題及構(gòu)建的文化層次-文化主題映射體系可能具有局限性。未來(lái)將擴(kuò)大國(guó)潮文化研究數(shù)據(jù)，細(xì)化文化層次-文化主題映射體系。

致謝：感謝武漢大學(xué)歷史學(xué)院薛夢(mèng)瀟老師對(duì)本研究的指導(dǎo)，以及圖書(shū)情報(bào)國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心提供的實(shí)驗(yàn)支持！

Digital Cultural Services

作者貢獻(xiàn)說(shuō)明

安璐：研究選題及思路制定，指導(dǎo)并修改論文；

陳苗苗：研究方案設(shè)計(jì)，數(shù)據(jù)獲取、標(biāo)注與分析，實(shí)驗(yàn)開(kāi)展，論文撰寫(xiě)及修改；

鄭雅靜：參與研究方案設(shè)計(jì)，數(shù)據(jù)獲取與標(biāo)注，論文撰寫(xiě)。

支撐數(shù)據(jù)

支撐數(shù)據(jù)由作者自存儲(chǔ)，E-mail：chenmiaomiao2020@foxmail.com。

1.陳苗苗.ModelFastNew.bin.FastText 詞向量訓(xùn)練模型.

2.陳苗苗.高頻詞-492.xlsx.聚類結(jié)果分析及詞集構(gòu)建.

3.陳苗苗.resources.txt.文化資源文化特征分布結(jié)果.

4.陳苗苗.users.xlsx.用戶文化興趣特征分布結(jié)果.

5.陳苗苗.simWithProcessALL.xlsx.本文方法的推薦結(jié)果.

6.陳苗苗.similarity_withoutProcess.xlsx.基于相似度排序的推薦結(jié)果.

7.陳苗苗.圖3（a）.png.微博用戶文化主題關(guān)聯(lián)網(wǎng)絡(luò).

8.陳苗苗.圖3（b）.png.文化資源文化主題關(guān)聯(lián)網(wǎng)絡(luò).