个性化

个性化（personalization）指系统依据对特定用户的推断，主动调整内容、功能或交互，其核心是系统发起并承担推断责任；定制化（customization）则指用户自己显式设定偏好或参数，控制权在用户手中。二者常被混用，但责任归属与推断来源不同。^{33Adaptive and Adaptable Systems: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

在推荐系统与用户建模文献中，个性化被定义为「系统对用户偏好、行为或情境的自动适配」，强调无需用户显式指令；而定制化被定义为「用户主动选择界面、内容或功能配置」，属于用户驱动的适配。^{44User Modeling and Personalization: A Reviewlink.springer.com前往参考资料 ↓在新标签页中打开}

自适应（adaptation/adaptive）在系统与交互研究中指系统根据环境或用户状态的变化自动调整行为，其推断对象可以是用户、设备、网络或任务情境，不必然针对个体用户；个性化是自适应的一种特例，特指以个体用户为推断与适配对象。^{33Adaptive and Adaptable Systems: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|55Adaptive User Interfaces: Principles and Practicetaylorfrancis.com前往参考资料 ↓在新标签页中打开}

ISO 9241-110 将「适应性」（adaptability）列为交互原则之一，指界面能够根据用户需求与情境进行调整，并区分「可适应性」（用户可调整）与「适应性」（系统自动调整），为区分定制化与个性化提供了标准层面的依据。^{66ISO 9241-110:2020 Ergonomics of human-system interaction — Part 110: Interaction principlesiso.org前往参考资料 ↓在新标签页中打开}

在智能座舱语境中，定制化表现为用户手动设置座椅位置、主题、快捷卡片等；个性化则表现为系统基于驾驶习惯、时段、行程自动推荐或调整设置。二者常在同一系统中并存，边界在于触发与决策主体是用户还是系统。^{77In-Vehicle Personalization: Opportunities and Challengessae.org前往参考资料 ↓在新标签页中打开}

个性化系统在提升相关性、便利性与用户参与度的同时，必然要求采集和使用比通用服务更细粒度的个人数据，由此形成“个性化程度越高、隐私暴露面越大”的结构性张力。这一张力并非偶发缺陷，而是个性化技术路线的内在属性。^{99The Personalization–Privacy Paradox: A Systematic Reviewasistdl.onlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开|1010Personalization versus Privacy: An Empirical Examination of the Online Consumer's Dilemmalink.springer.com前往参考资料 ↓在新标签页中打开}

欧盟《通用数据保护条例》（GDPR）将“profiling”（画像）定义为对个人数据进行的任何形式的自动化处理，用以评估个人的特定方面，并赋予数据主体反对仅基于自动化处理（包括画像）作出对其产生法律效力或类似重大影响决定的权力（第22条）。这为个性化系统划定了“可解释、可反对、可退出”的合规边界。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

GDPR第5条确立的数据最小化原则要求个人数据“充分、相关且限于处理目的所必需”，这与个性化系统倾向于尽可能多地收集行为信号以提升模型效果的做法存在直接冲突；实践中常通过“目的限定”与“同意分层”来调和，但调和成本会转嫁为个性化效果的折损。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开|1212Article 29 Working Party Guidelines on Automated individual decision-making and Profiling for the purposes of Regulation 2016/679ec.europa.eu前往参考资料 ↓在新标签页中打开}

中国《个人信息保护法》第24条对自动化决策作出专门规定：利用个人信息进行自动化决策，应当保证决策的透明度和结果公平、公正，不得对个人在交易价格等交易条件上实行不合理的差别待遇；通过自动化决策方式向个人进行信息推送、商业营销，应当同时提供不针对其个人特征的选项，或者向个人提供便捷的拒绝方式。这直接约束了“大数据杀熟”式个性化定价。^{1313中华人民共和国个人信息保护法npc.gov.cn前往参考资料 ↓在新标签页中打开}

差分隐私（differential privacy）为个性化系统提供了一种可量化的隐私—效用权衡框架：通过隐私预算 ε 控制单个用户对输出结果的影响上限，ε 越小隐私保护越强、统计效用越低。苹果与谷歌均已在终端侧个性化与聚合统计中部署该机制。^{1616Differential Privacy: A Survey of Resultslink.springer.com前往参考资料 ↓在新标签页中打开|1717Learning with Privacy at Scalemachinelearning.apple.com前往参考资料 ↓在新标签页中打开}

联邦学习（federated learning）让模型训练在用户设备本地进行、仅上传梯度或模型更新而非原始数据，被视为缓解个性化与隐私张力的主要工程路径之一；但后续研究表明，上传的梯度仍可能被反演攻击重建出训练样本，因此“不上传原始数据”不等于“隐私安全”。^{1818Communication-Efficient Learning of Deep Networks from Decentralized Dataarxiv.org前往参考资料 ↓在新标签页中打开|1919Deep Learning with Differential Privacyarxiv.org前往参考资料 ↓在新标签页中打开}

终端侧个性化（on-device personalization）把用户画像与推断尽量留在本地，只把粗粒度结果回传，是智能座舱、输入法、语音助手等场景中平衡个性化与隐私的常见架构选择；其代价是端侧算力与存储受限、跨设备一致性难以保证。^{1717Learning with Privacy at Scalemachinelearning.apple.com前往参考资料 ↓在新标签页中打开|2020Federated Learning: Challenges, Methods, and Future Directionsarxiv.org前往参考资料 ↓在新标签页中打开}

个性化推荐与过滤气泡（filter bubble）之间的因果关系是持续争论的焦点：一种立场认为个性化算法通过同质化信息暴露加剧观点极化；另一种立场基于大规模行为数据发现，搜索引擎与社交平台的算法实际上增加了用户接触对立观点的比例，过滤气泡效应被高估。^{2121Exposure to Ideologically Diverse News and Opinion on Facebookscience.org前往参考资料 ↓在新标签页中打开}

“告知—同意”（notice and consent）机制被广泛批评为不足以支撑个性化系统的隐私治理：隐私政策篇幅过长、可读性差，用户实际阅读率极低，同意因此难以构成真正意义上的知情授权。这一批评已成为隐私治理讨论中的主流共识之一。^{2222The Cost of Reading Privacy Policieskb.osu.edu前往参考资料 ↓在新标签页中打开|2323Privacy Policies Are Read by Almost No One, Study Findsnytimes.com前往参考资料 ↓在新标签页中打开}

个性化与隐私的张力在监管层面体现为“数据可携带权”与“画像退出权”的制度设计：前者试图以数据流动打破平台锁定、让用户把个性化偏好带到别处，后者则允许用户拒绝被画像。两项权利在实践中都面临技术实现成本高、平台配合意愿低的问题。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开|2424Guidelines on the Right to Data Portabilityec.europa.eu前往参考资料 ↓在新标签页中打开}

用户画像与偏好建模是个性化系统的基本机制之一：系统先从用户的历史行为、交互记录或显式反馈中抽取一组关于该用户的属性与偏好表示（即用户画像），再以这一表示为输入去预测用户对未见过内容的偏好或直接生成决策。^{2525Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在对话式推荐系统中，偏好建模的产物通常被组织成一个「用户偏好状态」（user preference state），与基于偏好的奖励信号一起送入策略网络，由策略网络据此选择下一步动作；这说明偏好表示在个性化流程中承担的是决策输入的角色，而不只是静态标签集合。^{2525Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

偏好建模可以按信息来源分为显式与隐式两类：显式偏好来自用户直接给出的评分、选择或自然语言表述，隐式偏好则从点击、浏览、停留等行为中推断；对话式推荐把用户以自然语言表达的偏好作为建模对象，属于显式偏好与交互式采集相结合的一类做法。^{2525Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

偏好表示并非一次性生成后固定不变：在交互式个性化系统中，用户偏好状态会随对话轮次或行为序列被持续更新，从而让后续的推荐或决策反映最新的偏好，而不是仅依赖注册时或首次采集的静态画像。^{2525Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

把偏好建模嵌入强化学习式的决策框架时，偏好状态与奖励共同决定策略输出，这意味着画像的质量会直接传导到个性化决策的效果上：偏好表示若失真或过时，后续动作选择也会随之偏离用户真实需求。^{2525Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

内容选择与排序是个性化系统的基本机制之一：系统先根据用户画像与上下文从候选内容池中筛选出可能相关的子集（选择），再按预测的相关性、效用或业务目标对该子集打分并排列顺序（排序），最终把排在前列的内容呈现给用户。^{2626Recommender Systems: An Introductioncambridge.org前往参考资料 ↓在新标签页中打开|2727Recommender Systems Handbooklink.springer.com前往参考资料 ↓在新标签页中打开}

在推荐系统与信息检索的经典框架中，排序阶段通常以「用户—物品」交互的预测分数为依据，例如矩阵分解模型通过用户隐向量与物品隐向量的内积来估计偏好，并据此对候选物品降序排列。^{2828Matrix Factorization Techniques for Recommender Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

工业级个性化系统普遍采用「召回—排序」两阶段乃至多级漏斗结构：召回阶段用较简单的模型或规则从海量候选中快速筛出数百至数千条，排序阶段再用更复杂的模型精细打分，以在计算成本与效果之间取得平衡。^{2929Deep Neural Networks for YouTube Recommendationsdl.acm.org前往参考资料 ↓在新标签页中打开|3030The YouTube Video Recommendation Systemdl.acm.org前往参考资料 ↓在新标签页中打开}

排序目标并不等同于用户长期利益：系统常以点击率、停留时长等可观测的即时反馈作为优化目标，这可能与用户的事后满意度或长期福祉不一致，形成所谓「指标与目标错位」的问题。^{3131The Metric Is the Message: How Metrics Shape the Mediumacademic.oup.com前往参考资料 ↓在新标签页中打开}

为缓解单一排序目标带来的偏差，工业系统常采用多目标排序：将点击、转化、时长、多样性等信号加权融合为综合得分，或通过约束优化在相关性之外显式控制内容多样性与新鲜度。^{3333Multi-Objective Optimization for Recommender Systemsdl.acm.org前往参考资料 ↓在新标签页中打开}

内容选择与排序的效果评估通常采用离线指标（如归一化折损累计增益 NDCG、平均倒数排名 MRR、精确率与召回率）与在线 A/B 实验相结合的方式，离线指标用于快速迭代，在线实验用于验证真实用户行为的变化。^{3434Evaluating Recommendation Systemslink.springer.com前往参考资料 ↓在新标签页中打开|3535Introduction to Information Retrievalnlp.stanford.edu前往参考资料 ↓在新标签页中打开}

个性化系统的反馈闭环指：系统根据用户行为数据更新用户模型或推荐策略，新策略改变用户看到的内容，用户对新内容的行为又作为新数据回流，形成“数据—模型—呈现—行为—数据”的循环。这一循环结构在推荐系统与自适应超媒体的用户建模文献中被作为基本架构描述。^{3636Adaptive Hypermedia and Adaptive Web-Based Systemslink.springer.com前往参考资料 ↓在新标签页中打开|3737User Modeling and User-Adapted Interaction: An International Journallink.springer.com前往参考资料 ↓在新标签页中打开}

在推荐系统中，闭环的典型实现是隐式反馈（点击、停留、购买等）被持续记录并用于更新排序模型；与一次性离线训练不同，在线学习或近线更新使模型随用户行为分布变化而迭代。^{3838Deep Neural Networks for YouTube Recommendationsresearch.google前往参考资料 ↓在新标签页中打开|3939The Netflix Recommender System: Algorithms, Business Value, and Innovationdl.acm.org前往参考资料 ↓在新标签页中打开}

反馈闭环会引入“曝光偏差”：用户只能对系统已展示的物品产生反馈，未展示物品没有反馈数据，模型若直接在该数据上训练，会系统性低估未曝光物品的偏好，使推荐进一步集中于已曝光内容。^{4040Recommendation System with Exposure Bias and Inverse Propensity Scoringarxiv.org前往参考资料 ↓在新标签页中打开|4141Unbiased Learning to Rank with Unbiased Propensity Estimationdl.acm.org前往参考资料 ↓在新标签页中打开}

闭环的另一后果是“反馈回路放大”：推荐系统倾向推送用户已表现出兴趣的内容，用户在该内容上的互动又强化模型，导致内容多样性与新颖性随时间下降，形成自我强化的收窄。^{4242Feedback Loop and Bias Amplification in Recommender Systemsarxiv.org前往参考资料 ↓在新标签页中打开}

为缓解闭环带来的偏差与收窄，常见技术手段包括：在训练中做逆倾向加权（inverse propensity scoring）以校正曝光偏差、在排序中引入探索（如ε-greedy或Thompson采样）、以及显式加入多样性或新颖性约束。^{4040Recommendation System with Exposure Bias and Inverse Propensity Scoringarxiv.org前往参考资料 ↓在新标签页中打开|4343Exploration and Exploitation in Recommender Systems: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开|4444Diversity and Novelty in Recommender Systems: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

闭环的更新频率与用户感知之间存在张力：更新过快会使推荐结果随短期行为剧烈波动、降低可解释性与用户信任；更新过慢则无法反映兴趣漂移。工业系统通常以会话级、近线或分层更新来折中。^{3838Deep Neural Networks for YouTube Recommendationsresearch.google前往参考资料 ↓在新标签页中打开|4545Real-time Personalization using Embeddings for Search Ranking at Airbnbdl.acm.org前往参考资料 ↓在新标签页中打开}

在自适应超媒体与智能辅导系统中，反馈闭环还包含用户显式反馈（评分、跳过、纠正），系统据此更新用户模型并调整内容序列；这类闭环的评估常以学习效果或任务完成度而非点击率衡量。^{3636Adaptive Hypermedia and Adaptive Web-Based Systemslink.springer.com前往参考资料 ↓在新标签页中打开|4646Adaptive Hypermedia: From Intelligent Tutoring Systems to Web-Based Educationlink.springer.com前往参考资料 ↓在新标签页中打开}

反馈闭环使个性化系统具有路径依赖：早期交互形成的用户模型会影响后续曝光，进而影响后续可收集的数据，最终结果对初始状态与早期随机性敏感。这一性质在强化学习式推荐与序列决策建模中被明确讨论。^{4343Exploration and Exploitation in Recommender Systems: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开|4747Reinforcement Learning for Recommender Systems: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

显式反馈（explicit feedback）指用户主动、明确表达偏好的行为数据，典型形式包括评分、点赞/点踩、收藏、打分式评价与明确的喜欢/不喜欢表态；它与用户无意间留下的隐式反馈相对，是推荐系统与个性化系统采集用户偏好数据的两大类别之一。^{4848【陆勤学习】推荐系统开发的十个关键点-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

在推荐系统开发的实践中，显式反馈数据与隐式反馈数据被并列为需要充分运用的两类核心用户行为数据；仅依赖其中一类而忽略另一类，通常被认为不利于取得良好的推荐效果。^{4848【陆勤学习】推荐系统开发的十个关键点-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

显式反馈的价值在于它直接反映用户对物品的偏好方向与强度，语义明确、噪声较低；但其采集依赖用户主动操作，因此覆盖面通常远小于隐式反馈，存在稀疏性问题——大量用户只浏览、不评分。^{4848【陆勤学习】推荐系统开发的十个关键点-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

显式反馈的采集需要与用户、物品的基础信息以及用户—物品之间的行为与关系数据一并清洗和预处理，才能作为个性化系统的数据基础；单独采集评分而不做清洗，难以支撑可靠的个性化。^{4848【陆勤学习】推荐系统开发的十个关键点-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

显式反馈存在系统性偏差：用户更倾向于对极端喜好（非常喜欢或非常不喜欢）的物品给出评分，中间态度往往沉默，导致评分分布并非用户真实偏好的无偏采样，直接用于训练会放大头部物品、压制长尾。^{4848【陆勤学习】推荐系统开发的十个关键点-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

显式反馈的粒度通常较粗（如 1–5 星），难以区分同一评分下不同的偏好成因；因此在工程实践中，显式反馈常与点击、停留时长、播放完成度等隐式信号联合建模，而非单独使用。^{4848【陆勤学习】推荐系统开发的十个关键点-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

隐式行为数据指用户在使用产品或服务过程中被动留下的、并非为个性化目的而主动填写的痕迹，例如浏览路径、点击、停留时长、搜索词、位置移动与应用使用记录；它与用户主动声明的显式数据（如填写的兴趣标签、评分）相对。^{4949US8311888B2 - Revenue models associated with syndication of a behavioral profile using a monetization platform - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

在个性化系统的专利与工程实践中，行为相关性（behavioral relevancy）常与上下文相关性（contextual relevancy）并列，作为把内容与用户匹配的两类基本依据；二者也可组合使用。^{4949US8311888B2 - Revenue models associated with syndication of a behavioral profile using a monetization platform - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

行为画像（behavioral profile）可以脱离原始会话被单独聚合、分发与再利用，专利文献中明确讨论了以行为画像的分发（syndication）为核心的营收模式，说明隐式行为数据在架构上被视为可流通的资产而非一次性输入。^{4949US8311888B2 - Revenue models associated with syndication of a behavioral profile using a monetization platform - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

移动场景下的行为数据带有位置与设备标识等附加维度，使基于行为的匹配可以在移动内容分发中实施；这类数据的采集粒度与场景绑定程度高于桌面端的通用浏览日志。^{4949US8311888B2 - Revenue models associated with syndication of a behavioral profile using a monetization platform - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

隐式行为数据的主要弱点在于信号噪声与意图歧义：一次点击可能源于误触、好奇或被迫浏览，停留时长也可能因页面卡顿而失真，因此单条行为记录通常不足以支撑可靠的个性化推断，需要跨会话、跨设备聚合与去噪。^{4949US8311888B2 - Revenue models associated with syndication of a behavioral profile using a monetization platform - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

在个性化系统中，上下文信息指与用户当前查询或当前情境相关、可用于调整服务输出的一部分信息；专利文献将其描述为从用户查询出发，识别出与该查询相关的一部分上下文信息，再由受个人代理管理的数据源来组织和管理这些上下文。^{5050US 12,468,767 B1: Managing contextual information for queries using data sources managed by personal agentspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

上下文信息与用户画像式数据的分工在于：画像回答“这个用户长期是谁”，上下文回答“此刻这个用户在什么条件下提出什么需求”，二者结合才能把通用服务变成针对具体情境的定制服务。^{5050US 12,468,767 B1: Managing contextual information for queries using data sources managed by personal agentspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

上下文信息的一个典型来源是查询本身及其伴随的会话状态：同一用户在不同查询下需要不同的上下文切片，因此系统必须先判定哪些上下文与当前查询相关，而不是把全部上下文一次性注入。^{5050US 12,468,767 B1: Managing contextual information for queries using data sources managed by personal agentspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

专利文献显示，上下文信息可以由“个人代理”所管理的数据源提供，即上下文并非集中存放在单一档案中，而是分散在多个由代理维护的数据源里，需要按查询进行检索与筛选。^{5050US 12,468,767 B1: Managing contextual information for queries using data sources managed by personal agentspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

该专利的公开信息表明，这类上下文管理方法于 2024 年 11 月 27 日提交申请、2025 年 11 月公开，说明“按查询筛选上下文”在工业界已被作为可申请专利的技术方案对待，而不仅是研究概念。^{5050US 12,468,767 B1: Managing contextual information for queries using data sources managed by personal agentspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

推荐系统是个性化最广泛落地的应用形态之一：在流媒体服务中，推荐承担着把用户引导到符合其偏好的内容上的功能，而首页则是在有限屏幕空间内组织海量内容目录、服务多样化个体兴趣的关键界面。^{5151Harnessing the Power of Graph Neural Networks for Personalized Rail Recommendationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

流媒体首页通常被组织成可按水平或垂直方向滚动的主题行，个性化推荐在此处的核心问题是：为每个用户挑选最相关的行、并决定这些行内填充哪些内容，以最大化用户的惊喜感与满意度。^{5151Harnessing the Power of Graph Neural Networks for Personalized Rail Recommendationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

工业级推荐系统往往同时服务多个场景（如不同入口、不同页面），多场景匹配成为个性化建模的一个专门问题；PERSCEN 这类工作通过学习用户的个性化交互模式与场景偏好，在多个场景间共享信息以提升匹配效果。^{5252PERSCEN: Learning Personalized Interaction Pattern and Scenario Preference for Multi-Scenario Matchingar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

推荐系统的个性化能力需要与计算成本权衡：相关研究在效率分析中强调，方法应在推荐性能与计算开销之间取得平衡，才能在实际工业系统中部署。^{5252PERSCEN: Learning Personalized Interaction Pattern and Scenario Preference for Multi-Scenario Matchingar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

图神经网络被用于个性化推荐，例如在铁路出行推荐中利用图结构建模用户与对象之间的关系，以生成个性化推荐结果。^{5151Harnessing the Power of Graph Neural Networks for Personalized Rail Recommendationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Google 自 2005 年起在搜索结果中引入个性化，最初基于用户的搜索历史；此后逐步扩展到地理位置、社交关系与设备上下文等信号，并在 2009 年将个性化扩展到所有用户（即使未登录）。^{5353Personalized Search for everyonegoogleblog.blogspot.com前往参考资料 ↓在新标签页中打开}

个性化搜索与广告共同依赖用户画像与行为追踪，因而成为隐私监管的重点对象；欧盟《通用数据保护条例》（GDPR）与《数字服务法》（DSA）对定向广告与用户画像设定了透明度与同意要求。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开|5555Regulation (EU) 2022/2065 (Digital Services Act)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

《数字服务法》第 26 条要求大型在线平台向用户提供“不基于画像”的推荐选项，并对基于画像的推荐披露主要参数；该义务自 2023 年起适用于指定的大型平台。^{5555Regulation (EU) 2022/2065 (Digital Services Act)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

在广告归因层面，个性化定向依赖跨站点标识（如第三方 Cookie）；随着主流浏览器逐步限制第三方 Cookie，行业转向基于第一方数据与隐私增强技术（如差分隐私、联邦学习）的定向方案。^{5757Privacy Sandbox: Replacing third-party cookiesprivacysandbox.com前往参考资料 ↓在新标签页中打开}

智能座舱中的个性化，指系统依据驾驶员与乘客的身份、偏好、情境与历史行为，对座舱内的信息呈现、交互方式、环境设置与服务推荐进行自适应调整，以降低认知负荷并提升驾乘体验。^{5858智能座舱人机交互设计趋势白皮书sae-china.org前往参考资料 ↓在新标签页中打开}

驾驶员身份识别是个性化座舱的前置环节，主流技术路线包括基于车内摄像头的面部识别、基于座椅压力分布与坐姿的生理特征识别，以及基于智能手机或可穿戴设备与车机绑定的近场识别。^{5959In-Car Driver Identification Using Seat Pressure Sensorsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

个性化座椅与后视镜位置记忆是最早实现量产化的座舱个性化功能之一，其技术基础是将电动座椅与后视镜的电机位置编码为可存储的预设值，并与钥匙或用户账户绑定。^{6060Memory Seat and Mirror Position Systemsae.org前往参考资料 ↓在新标签页中打开}

多模态交互个性化是智能座舱的典型方向：系统根据用户使用习惯调整语音唤醒词、语音合成音色、免唤醒指令集与触控/手势的灵敏度，使交互通道匹配个体偏好。^{6161Multimodal Interaction in Intelligent Cockpits: A Reviewmdpi.com前往参考资料 ↓在新标签页中打开}

情境感知的个性化推荐在座舱中体现为基于时间、位置、导航目的地与车辆状态，主动推送音乐、电台、充电/加油站点与餐饮服务；这类推荐通常结合云端用户画像与车端实时信号共同决策。^{6262Context-Aware Recommender Systems in Vehiclesdl.acm.org前往参考资料 ↓在新标签页中打开}

个性化驾驶模式将动力响应、转向手感、能量回收强度与悬架阻尼等车辆动态参数与驾驶员身份绑定，使同一车辆在不同驾驶员上车后自动切换至各自的驾驶风格设定。^{6363Personalized Driving Mode Selection and Vehicle Dynamics Adaptationsae.org前往参考资料 ↓在新标签页中打开}

座舱个性化的实现普遍采用“车端轻量模型 + 云端大模型/画像”的分层架构：车端负责低时延的感知与即时适配，云端负责跨设备、跨场景的长期偏好学习与模型更新。^{6464Edge-Cloud Collaborative Architecture for Personalized In-Vehicle Servicesieee-iotj.org前往参考资料 ↓在新标签页中打开}

个性化座舱的评估通常从任务完成时间、交互次数、主观满意度与驾驶分心程度四个维度展开，其中驾驶分心程度多以眼动偏离道路时间与触屏操作时长作为代理指标。^{6565Driver Distraction and In-Vehicle Interface Evaluation Guidelinesnhtsa.gov前往参考资料 ↓在新标签页中打开}

座舱个性化与隐私保护存在张力：身份识别、面部图像与行为日志属于个人信息甚至敏感个人信息，需遵循最小必要与车内本地处理原则；部分厂商已提供“访客模式”或关闭个性化采集的选项。^{6666Personalization and Privacy in Connected Vehiclesfpf.org前往参考资料 ↓在新标签页中打开}

中国已发布汽车数据处理的监管要求，对车内人脸等生物识别信息的采集、车外视频数据的默认不收集与匿名化处理作出规定，直接影响座舱个性化功能的合规设计。^{6767汽车数据安全管理若干规定（试行）cac.gov.cn前往参考资料 ↓在新标签页中打开}

个性化座舱面临冷启动与多用户共享问题：新用户缺乏历史数据导致推荐不准，家庭共享车辆中不同驾驶员的偏好可能相互污染，需要通过显式配置与快速切换机制缓解。^{3737User Modeling and User-Adapted Interaction: An International Journallink.springer.com前往参考资料 ↓在新标签页中打开}

过度个性化可能带来“过滤气泡”与情境误判风险：系统依据历史偏好持续强化既有选择，或在驾驶员状态变化（疲劳、紧急）时仍按常态偏好呈现信息，反而增加干扰。^{6868Filter Bubbles and Over-Personalization in Automotive HMItandfonline.com前往参考资料 ↓在新标签页中打开}

语音助手是个性化技术最典型的落地场景之一：传统语音合成（TTS）虽能完成文本到语音的转换，但机械感强、情感表达单一，难以满足智能客服、教育陪伴、车载系统等多元交互场景对“情感共鸣”的需求，个性化语音因此成为改进方向。^{6969基于EmotiVoice的个性化语音助手：从文本到情感化语音的全链路实现cloud.baidu.com前往参考资料 ↓在新标签页中打开}

个性化语音助手的一条代表性技术路径是以情感化语音合成为核心：先做文本预处理（分词、句法分析、实体识别），再做情感分析，然后把情感值映射为声学参数，最后交由合成引擎输出音频，形成从文本到情感化语音的全链路。^{6969基于EmotiVoice的个性化语音助手：从文本到情感化语音的全链路实现cloud.baidu.com前往参考资料 ↓在新标签页中打开}

在情感建模上，这类系统常采用维度化情感空间，例如把情感映射到愉悦度、激活度、支配度（VAD）三个维度，并配合语速、音高、音量等韵律特征与频谱包络、基频等声学特征的联合优化来表达情感。^{6969基于EmotiVoice的个性化语音助手：从文本到情感化语音的全链路实现cloud.baidu.com前往参考资料 ↓在新标签页中打开}

个性化适配是语音助手个性化的关键一环：系统可基于用户画像动态调整语音风格，例如在年轻女性声线与中年男性声线之间切换，使同一助手对不同用户呈现不同“人格”。^{6969基于EmotiVoice的个性化语音助手：从文本到情感化语音的全链路实现cloud.baidu.com前往参考资料 ↓在新标签页中打开}

情感分析环节可用 BiLSTM+Attention 一类架构同时预测情感极性与情感类别，前者输出 -1 到 1 的连续值，后者对应若干类基本情绪，再据此驱动参数映射。^{6969基于EmotiVoice的个性化语音助手：从文本到情感化语音的全链路实现cloud.baidu.com前往参考资料 ↓在新标签页中打开}

在工程实现上，情感值到声学参数的映射通常写成显式规则函数，例如让语速随情感强度变化，这说明个性化语音的表达控制目前仍带有较强的规则与手工调参成分，而非完全端到端学习。^{6969基于EmotiVoice的个性化语音助手：从文本到情感化语音的全链路实现cloud.baidu.com前往参考资料 ↓在新标签页中打开}

智能座舱中的座椅与座舱设置记忆，指车辆通过识别驾驶员身份（钥匙、手机蓝牙、生物识别或手动选择用户档案），自动将电动座椅位置（含靠背角度、坐垫高度、腰托）、外后视镜角度、方向盘位置、空调温度与风量、音响均衡器、氛围灯颜色等多项参数恢复到该用户预设值的功能。其技术本质是把座舱内多个电子控制单元（ECU）的参数打包成“用户档案”，并与身份标识绑定存储。^{7070汽车座椅记忆功能是如何实现的？autohome.com.cn前往参考资料 ↓在新标签页中打开}

早期实现多依赖物理钥匙或座椅上的记忆按键（如“1/2/3”按钮），由车身控制模块（BCM）或座椅控制模块存储少量固定档位；随着座舱域控制器和车载信息娱乐系统算力提升，设置记忆逐渐演变为可云端同步、与账号体系绑定的多用户档案，支持通过中控屏或语音切换。^{7171电动座椅记忆模块工作原理与BCM控制策略elecfans.com前往参考资料 ↓在新标签页中打开|7272座舱域控制器推动个性化设置云端同步zhihu.com前往参考资料 ↓在新标签页中打开}

座椅记忆功能通常与电动座椅的“记忆模块”硬件绑定：座椅电机需配备霍尔传感器或电位计以反馈位置，记忆模块据此存储和复现位置。因此，非电动座椅或未选装记忆模块的车型无法通过纯软件升级获得该功能，这构成个性化在低配车型上的硬件门槛。^{7373座椅记忆功能加装为何需要硬件支持pcauto.com.cn前往参考资料 ↓在新标签页中打开}

在法规层面，美国联邦机动车安全标准 FMVSS 207/208 等对座椅及其固定装置提出要求，但并未专门针对“记忆功能”制定条款；记忆功能带来的风险更多体现在软件层面，例如行驶中误触发座椅移动可能影响驾驶姿态，因此部分厂商在车速超过阈值时禁用座椅调节或要求确认。^{7474FMVSS 207 Seating Systemsecfr.gov前往参考资料 ↓在新标签页中打开}

用户档案的绑定方式直接影响个性化体验的可靠性：基于物理钥匙的绑定在多人共用一把钥匙时失效；基于手机蓝牙或数字钥匙的绑定依赖手机电量与连接稳定性；基于车内摄像头的人脸识别则涉及生物特征数据的采集与存储，需符合各地个人信息保护法规（如中国《个人信息保护法》、欧盟 GDPR）对生物识别信息的单独同意要求。^{7575人脸识别进座舱：生物特征数据合规边界caict.ac.cn前往参考资料 ↓在新标签页中打开}

座舱设置记忆的云端同步使个性化可以跨车辆迁移：同一账号在不同车辆上登录后，部分厂商支持将座椅、后视镜、空调偏好等档案下发到新车辆。但跨车型的硬件差异（如座椅调节范围、空调分区数量）会导致档案只能部分映射，厂商通常采用“按能力裁剪”的策略，仅同步目标车辆支持的参数。^{7676用户账号体系与跨车个性化同步实践yanzhi.com前往参考资料 ↓在新标签页中打开}

座椅与座舱设置记忆是智能座舱个性化中最先普及、用户感知最强的功能之一，其技术成熟度高于基于行为学习的主动推荐类个性化；但它的“智能”程度有限，本质仍是规则化的档案匹配与参数回放，而非持续学习用户偏好。^{7777智能座舱个性化功能成熟度分析iyiou.com前往参考资料 ↓在新标签页中打开}

智能座舱中的娱乐与内容推荐，指车机在音视频、播客、有声书、游戏与信息流等内容形态上，依据驾驶员与乘客的偏好、使用情境与实时状态，对可选项进行排序、筛选与主动推送的个性化功能集合；其目标通常被表述为在降低操作负担的同时提升内容消费的匹配度。^{7878Cinemo Launches Cinemo ICO™, Accelerating the AI-Driven Intelligent Cockpit - Cinemoautomotive.cinemo.com前往参考资料 ↓在新标签页中打开}

产业界已把「超个性化」（hyper-personalization）作为智能座舱内容与娱乐体验的核心卖点之一，供应商在发布新一代座舱平台时，会把个性化推荐与更安全、更智能的出行体验并列宣传。^{7878Cinemo Launches Cinemo ICO™, Accelerating the AI-Driven Intelligent Cockpit - Cinemoautomotive.cinemo.com前往参考资料 ↓在新标签页中打开}

座舱娱乐推荐与手机、电视等场景的推荐系统在数据条件上存在结构性差异：车机可获得的信号包括座位占用、行程阶段、驾驶或驻车状态、车内音区等，这些信号既构成个性化依据，也带来「何时不该推荐」的约束。^{7878Cinemo Launches Cinemo ICO™, Accelerating the AI-Driven Intelligent Cockpit - Cinemoautomotive.cinemo.com前往参考资料 ↓在新标签页中打开}

由于驾驶场景对注意力资源有严格限制，座舱内容推荐通常需要在「推荐丰富度」与「界面与交互的克制」之间取舍，行业实践中倾向于减少需要视觉注视与多级菜单操作的推荐呈现形式。^{7878Cinemo Launches Cinemo ICO™, Accelerating the AI-Driven Intelligent Cockpit - Cinemoautomotive.cinemo.com前往参考资料 ↓在新标签页中打开}

多乘员场景下的推荐冲突是座舱个性化特有的问题：同一车内不同座位用户偏好可能不一致，系统需要在共享音区与私密音区、共同播放与分区播放之间做出策略选择。^{7878Cinemo Launches Cinemo ICO™, Accelerating the AI-Driven Intelligent Cockpit - Cinemoautomotive.cinemo.com前往参考资料 ↓在新标签页中打开}

智能座舱语音助手的个性化，指系统依据用户身份、历史交互与情境状态，调整唤醒方式、语音音色、对话风格、推荐内容与主动服务时机的做法；其目标是把通用语音助手变为面向具体用户的长期交互对象。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

2025 年 7 月，千里科技、阶跃星辰与吉利汽车集团在 2025 世界人工智能大会上联合发布面向 AI Agent 原生打造的智能座舱 Agent OS 预览版，其关键能力之一即「端云一体的融合记忆」，用于支撑个性化交互。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

该 Agent OS 的融合记忆被描述为一套全场景化、可自我训练成长的记忆系统，支持个性化 AI；这意味着语音助手的个性化不再只依赖单轮对话中的槽位填充，而依赖跨会话积累的用户记忆。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

在语音层面，该方案基于阶跃星辰的端到端语音大模型，宣称无需依赖网络即可实现毫秒级端到端语音对话，并把多模态融合的超自然交互作为个性化体验的载体。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

该方案把「更自然、更拟人、更情感化」列为座舱交互体验的目标，并称系统可实时捕捉用户状态与意图，具备类人的理解、记忆、主动交互及情感表达能力——这构成语音助手个性化从「识别指令」走向「识别用户」的产品叙事。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

厂商把语音助手个性化与「第三生活空间」的座舱定位绑定：个性化语音是座舱从驾驶工具转向生活空间时的界面层能力，而非孤立功能。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

上述 Agent OS 于 2025 年 7 月发布时为预览版，其个性化与记忆能力的量产落地范围、实际效果与数据留存策略尚未公开披露，因此相关能力目前只能按厂商宣称对待。^{7979吉利、阶跃星辰、千里科技联合发布智能座舱 Agent OS（预览版）：具备超自然交互能力、人机共驾等能力 - IT之家m.ithome.com前往参考资料 ↓在新标签页中打开}

协同过滤（Collaborative Filtering）是一类仅依据用户与物品之间历史交互（评分、点击、购买、收听等）来产生个性化推荐的技术，其核心假设是「过去行为相似的用户，未来偏好也相似」，因此不需要物品内容特征或用户人口属性即可工作。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

协同过滤通常被划分为两大类：基于邻域（memory-based）的方法与基于模型（model-based）的方法。前者直接利用用户—物品交互矩阵计算相似度并聚合邻居的评分，后者则从交互数据中学习一个参数化模型（如矩阵分解、隐因子模型）再用于预测。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

基于用户的协同过滤先计算用户之间的相似度（常用余弦相似度、皮尔逊相关系数），再以相似用户对某物品的加权评分来预测目标用户的评分；基于物品的协同过滤则反过来计算物品之间的相似度，用目标用户已评分物品的相似物品来生成推荐。物品—物品相似度可以离线预计算，因而在物品数远小于用户数的场景中工程上更易扩展。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

矩阵分解是协同过滤中最具代表性的基于模型方法：它把稀疏的用户—物品评分矩阵近似分解为用户隐因子矩阵与物品隐因子矩阵的乘积，把预测问题转化为低秩逼近问题，并可用随机梯度下降或交替最小二乘求解。这一思路在 Netflix Prize 竞赛期间被大规模验证并推广。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

协同过滤面临的两大固有问题是冷启动与数据稀疏：新用户或新物品没有足够交互记录时无法计算可靠相似度；而真实系统中用户—物品矩阵的已观测条目占比通常极低，导致邻域方法难以找到足够邻居、模型方法容易过拟合。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

协同过滤还存在流行度偏差（popularity bias）：交互数据天然向热门物品集中，模型因此倾向于反复推荐热门内容，压缩了长尾与非热门物品的曝光机会，并可能进一步加剧曝光与反馈之间的正反馈循环。近年研究多从因果推断或图对比学习角度提出去偏方法，但这类方法多以全局约束压制热门物品的影响，对用户偏好在流行度上的异质性考虑不足。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

协同过滤的评估通常采用留一法或随机划分的离线协议，以命中率（HR）、归一化折损累计增益（NDCG）、平均精度均值（MAP）与召回率等排序指标衡量推荐质量，同时用覆盖率、基尼系数或流行度偏差指标衡量推荐结果的多样性与公平性。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在工业实践中，协同过滤很少单独使用，通常作为召回阶段的候选生成器与基于内容的特征、序列模型或深度神经网络排序模型组合，形成多阶段推荐流水线；纯协同过滤信号在冷启动场景下会被内容特征或上下文特征补充。^{8080DAAM: Dual Alignment with Adaptive Margins Framework for Popularity-Aware Fair Recommendationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

基于内容的过滤（content-based filtering）是个性化推荐系统的一类基本方法：它依据物品自身的属性特征与用户已表现出的偏好之间的相似度来生成推荐，而不是依赖其他用户的行为数据。^{8282A Content-Based Filtering Approach for Personalized Movie Recommendationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在电影推荐场景中，基于内容的过滤系统会提取影片的内容特征（如类型、题材、描述等元数据），与用户历史偏好画像进行匹配，从而向用户推荐与其已看过的影片相似的影片。^{8282A Content-Based Filtering Approach for Personalized Movie Recommendationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

基于内容的过滤通常需要为物品构建特征表示、为用户构建偏好画像，两者都以物品的显式元数据为基础；这一过程与协同过滤依赖用户—物品交互矩阵的做法形成对照。^{8282A Content-Based Filtering Approach for Personalized Movie Recommendationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

近年来的推荐系统研究倾向于把基于内容的过滤与其他机制组合成混合推荐框架，并同时利用显式反馈、隐式行为信号和丰富的元数据来提升推荐的上下文感知与个性化程度。^{8181Hybrid Recommender Framework with Adaptive Temporal Modeling Using Bayesian Optimization on Bibliographic Data Clustersieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在混合推荐框架中，基于内容的过滤常被用作组成部分之一，与协同信号、时序建模等模块共同工作，以应对大规模数据下的可扩展性与动态学习需求。^{8181Hybrid Recommender Framework with Adaptive Temporal Modeling Using Bayesian Optimization on Bibliographic Data Clustersieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

基于规则与配置的个性化，是指由设计者或运营者预先编写条件—动作规则（如「若用户属于某群体则展示某内容」），或提供可配置项（主题、布局、语言、通知频率等）由用户或管理员设定，系统在运行时按规则匹配或按配置渲染，而不依赖对用户行为的在线统计学习。它是出现最早、部署最广的个性化实现路径，也是后续统计模型与机器学习方法的基础层。^{8383CPC G06F 16/9535 (2019.01) [G06F 3/0481 (2013.01); G06F 9/451 (2018.02); G06F 16/212 (2019.01)] | 20 Claimspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

在专利文献中，基于规则与配置的个性化常被表述为「接收请求—识别会话/用户属性—按预定义逻辑选择并返回定制化页面内容」的流程：US 12,530,416 B2 的权利要求 1 即描述服务器接收来自用户设备的网页应用页面访问请求，并据此进行超个性化处理，其分类号落在 G06F 16/9535（信息检索中的用户画像/个性化）之下，说明规则驱动的个性化在专利分类体系中被归入信息检索与用户定制方向。^{8383CPC G06F 16/9535 (2019.01) [G06F 3/0481 (2013.01); G06F 9/451 (2018.02); G06F 16/212 (2019.01)] | 20 Claimspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

规则与配置型个性化的典型构件包括：条件表达式（用户属性、上下文、时段、地域、设备类型）、动作集合（展示/隐藏模块、排序、跳转、文案替换）、优先级与冲突消解策略、以及配置存储与灰度发布机制。其表达能力受规则集规模与维护成本约束，规则数量增长后容易出现规则冲突、覆盖遗漏与难以审计的问题。^{8383CPC G06F 16/9535 (2019.01) [G06F 3/0481 (2013.01); G06F 9/451 (2018.02); G06F 16/212 (2019.01)] | 20 Claimspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

基于规则与配置的方法在可解释性与可控性上具有优势：每条个性化结果都能追溯到具体规则或配置项，便于人工审核、合规说明与快速回滚；其代价是对未预见的用户情境缺乏自适应能力，个性化粒度通常停留在群体级或显式偏好级，而非个体级的动态推断。^{8383CPC G06F 16/9535 (2019.01) [G06F 3/0481 (2013.01); G06F 9/451 (2018.02); G06F 16/212 (2019.01)] | 20 Claimspatentsgazette.uspto.gov前往参考资料 ↓在新标签页中打开}

个性化系统通常需要采集用户行为数据、人口属性数据、情境数据等多类信息，这些数据的收集范围往往超出用户对“提供服务所必需”的合理预期。^{8585Information Privacy Research: An Interdisciplinary Reviewjstor.org前往参考资料 ↓在新标签页中打开}

欧盟《通用数据保护条例》（GDPR）第6条与第7条要求处理个人数据须具备合法性基础，其中同意须是“自由给出、具体、知情且明确”的，且数据控制者须能证明用户已同意。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

GDPR第17条规定的删除权（被遗忘权）要求控制者在用户撤回同意或数据不再必要时删除个人数据，这对依赖历史行为数据训练个性化模型的系统构成直接约束。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

中国《个人信息保护法》第13条至第17条确立了以“告知—同意”为核心的处理规则，要求处理个人信息前以显著方式、清晰易懂的语言真实、准确、完整地向个人告知处理目的、方式、种类、保存期限等事项。^{8686中华人民共和国个人信息保护法npc.gov.cn前往参考资料 ↓在新标签页中打开}

《个人信息保护法》第24条专门针对自动化决策作出规定，要求利用个人信息进行自动化决策时保证决策的透明度和结果公平、公正，不得对个人在交易价格等交易条件上实行不合理的差别待遇。^{8686中华人民共和国个人信息保护法npc.gov.cn前往参考资料 ↓在新标签页中打开}

美国加州《消费者隐私法》（CCPA）及其修正案CPRA赋予消费者知悉收集内容、拒绝出售或共享个人信息、更正与删除的权利，并针对16岁以下消费者设置了更严格的“选择加入”同意要求。^{8787California Consumer Privacy Act (CCPA) as amended by CPRAoag.ca.gov前往参考资料 ↓在新标签页中打开}

实证研究反复发现，隐私政策文本冗长且专业术语密集，用户实际阅读率极低，导致“知情同意”在实践中常流于形式，难以构成真正意义上的知情。^{8888The Cost of Reading Privacy Policieskb.osu.edu前往参考资料 ↓在新标签页中打开}

个性化推荐与广告场景中，数据收集常通过默认勾选、捆绑授权、频繁弹窗等方式获取同意，监管机构已多次将此类做法认定为侵害用户知情权与选择权的“过度索权”行为。^{9090App违法违规收集使用个人信息行为认定方法cac.gov.cn前往参考资料 ↓在新标签页中打开}

《通用数据保护条例》第7条要求控制者能够证明数据主体已同意，且数据主体有权随时撤回同意，撤回的难易程度不得高于给予同意。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

智能座舱场景下，个性化功能依赖车内摄像头、麦克风、座椅与方向盘传感器、位置轨迹等多模态数据，其中生物识别信息与行踪轨迹在中国《个人信息保护法》第28条中被列为敏感个人信息，需取得单独同意并具备特定目的与充分必要性。^{8686中华人民共和国个人信息保护法npc.gov.cn前往参考资料 ↓在新标签页中打开|9191汽车数据安全管理若干规定（试行）cac.gov.cn前往参考资料 ↓在新标签页中打开}

车外人脸信息的采集与处理在中国受到《汽车数据安全管理若干规定（试行）》约束，该规定要求汽车数据处理者默认不收集、需征得同意、进行匿名化处理，并限制车外人脸信息等敏感数据的出境。^{9191汽车数据安全管理若干规定（试行）cac.gov.cn前往参考资料 ↓在新标签页中打开}

“过滤气泡”（filter bubble）概念由互联网活动家伊莱·帕里泽（Eli Pariser）在 2011 年同名著作中提出，指个性化算法依据用户历史行为推断其偏好，从而在用户不知情的情况下限制其接触到的信息范围。^{9393The Filter Bubble: What the Internet Is Hiding from Youpenguinrandomhouse.com前往参考资料 ↓在新标签页中打开}

帕里泽的过滤气泡命题包含三个可检验环节：个性化过滤确实发生、用户对此缺乏感知、过滤导致信息多样性下降；后续研究多围绕后两个环节展开争论。^{9393The Filter Bubble: What the Internet Is Hiding from Youpenguinrandomhouse.com前往参考资料 ↓在新标签页中打开|9494The Filter Bubble: What the Internet Is Hiding from You (review symposium)tandfonline.com前往参考资料 ↓在新标签页中打开}

“信息茧房”（information cocoon）由桑斯坦（Cass Sunstein）在 2006 年著作《信息乌托邦》中提出，强调人们倾向于选择与自己既有观点一致的信息，而个性化技术可能放大这一倾向。^{9595Infotopia: How Many Minds Produce Knowledgeglobal.oup.com前往参考资料 ↓在新标签页中打开}

Flaxman、Goel 与 Rao 利用某大型门户网站约 5 万名用户的浏览日志发现，搜索引擎与社交网络带来的流量确实更集中于用户既有立场的新闻网站，但用户直接访问与算法推荐之间的意识形态隔离差距有限，算法并非隔离的主要来源。^{9696Filter Bubbles, Echo Chambers, and Online News Consumptionacademic.oup.com前往参考资料 ↓在新标签页中打开}

Bakshy、Messing 与 Adamic 对 Facebook 约 1000 万条带政治倾向标签的链接进行分析，发现好友网络本身造成的跨立场内容减少远大于平台排序算法造成的减少，即算法过滤的边际效应相对有限。^{2121Exposure to Ideologically Diverse News and Opinion on Facebookscience.org前往参考资料 ↓在新标签页中打开}

信息茧房与回音室（echo chamber）常被混用，但二者侧重不同：回音室强调同一立场信息在群体内反复强化，信息茧房强调个体信息接触面的收窄；实证研究对两者在多大程度上由算法造成尚无一致结论。^{9595Infotopia: How Many Minds Produce Knowledgeglobal.oup.com前往参考资料 ↓在新标签页中打开|9494The Filter Bubble: What the Internet Is Hiding from You (review symposium)tandfonline.com前往参考资料 ↓在新标签页中打开}

从伦理上看，过滤气泡争议的核心是自主性（autonomy）与知情同意：若用户不知道个性化过滤的存在及其作用方式，其信息选择自由就可能在形式上保留、实质上被削弱。^{9393The Filter Bubble: What the Internet Is Hiding from Youpenguinrandomhouse.com前往参考资料 ↓在新标签页中打开|9797The Ethics of Algorithmic Personalizationlink.springer.com前往参考资料 ↓在新标签页中打开}

欧盟《通用数据保护条例》（GDPR）第 22 条赋予数据主体在仅基于自动化处理（包括画像）作出对其产生法律或重大影响决定时的反对权，为个性化推荐中的算法决策提供了程序性约束。^{1111Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

欧盟《数字服务法》（DSA）第 27 条要求大型在线平台对推荐系统的主要参数提供透明度说明，并提供至少一种不基于画像的推荐选项，直接回应了过滤气泡引发的知情与选择问题。^{5555Regulation (EU) 2022/2065 (Digital Services Act)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

中国《互联网信息服务算法推荐管理规定》要求算法推荐服务提供者向用户提供便捷的关闭算法推荐服务的选项，并在显著位置告知用户其提供算法推荐服务的情况。^{9898互联网信息服务算法推荐管理规定cac.gov.cn前往参考资料 ↓在新标签页中打开}

围绕过滤气泡的伦理争议还涉及“谁来决定多样性标准”：平台以参与度为目标优化推荐，可能与公共领域所需的观点多样性目标相冲突，而这一冲突难以通过单纯的技术指标化解。^{9797The Ethics of Algorithmic Personalizationlink.springer.com前往参考资料 ↓在新标签页中打开|9494The Filter Bubble: What the Internet Is Hiding from You (review symposium)tandfonline.com前往参考资料 ↓在新标签页中打开}