摘要
在数字经济和生成式人工智能浪潮下，智能广告从传统“千人一面”向“千人千面”再向“一人千面”的深度个性化逐步演进。生成式召回、AI数据增强和多模态理解三大核心技术在底层架构上推动智能广告实现范式跃迁，生成式召回突破传统素材库的限制，实现广告内容的按需生成和创意涌现；AI数据增强通过扩充训练样本和提升模型泛化能力，解决数据稀缺问题并优化广告内容生成；多模态理解则通过整合异构数据，构建更丰富立体的用户画像和广告内容表征，强化情境感知的精准化。智能广告也面临着隐私与个性化的矛盾、自动化与精品化的对抗，以及技术与算法内生性风险等挑战。智能广告的未来需要技术创新、伦理规范、法律监管，以及人机协同的全面发展，以期在提升商业价值的同时，更好地服务于用户和社会。
关键词
智能广告 深度个性化 生成式召回 多模态理解 人机协同
Abstract
Amid the wave of the digital economy and generative artificial intelligence, intelligent advertising is gradually evolving from the traditional “one-size-fits-all” approach to “personalization for the masses” and further toward “hyper-personalization for the individual.” Three core technologies—generative recall, AI data augmentation, and multimodal understanding—are driving a paradigm shift in intelligent advertising from the underlying architecture. Generative recall breaks through the limitations of traditional creative libraries, enabling on-demand ad content generation and fostering creative emergence. AI data augmentation addresses data scarcity by expanding training samples and enhancing model generalization, thereby optimizing ad content generation. Multimodal understanding integrates heterogeneous data to construct richer and more multidimensional user profiles and ad content representations, strengthening contextual awareness and precision. At the same time, intelligent advertising faces challenges such as the tension between privacy and personalization, the conflict between automation and quality refinement, and the inherent risks of technology and algorithms. The future development of intelligent advertising requires the coordinated advancement of technological innovation, ethical norms, legal regulation, and human-machine collaboration, aiming to enhance commercial value while better serving users and society.
Keywords
Intelligent Advertising Hyper-Personalization Generative Recall Multimodal Understanding Human-Machine Collaboration
1 引言
在数字经济的浪潮中，广告作为连接品牌与消费者的核心桥梁，其形态与逻辑始终与信息技术的发展同频共振。自21世纪初以来，计算广告的兴起，标志着广告业进入了以数据和算法为驱动的精准营销时代。然而，随着生成式人工智能技术的爆发式发展，广告行业正经历一场从“千人千面”走向“一人千面”的深刻变革。这一变革的核心驱动力，是生成式AI在广告创意生成、个性化推荐和实时优化中的广泛应用。谷歌在2025年推出“AI模式”，将Gemini模型嵌入搜索与广告流程，用户可以通过自然语言交互生成个性化推荐，提升决策效率与转化率；Meta基于多模态大模型构建广告内容与投放新范式，通过实时用户行为分析与推荐，大幅提升广告点击率；腾讯也通过混元大模型精调生成式召回模型，结合知识融合与语义索引，提升广告内容的精准匹配度。诸多实践表明，大模型正通过生成式召回、数据增强、多模态理解三大核心能力，从根本上影响广告引擎的底层逻辑，生成式AI正推动广告从静态匹配向动态生成演进，为实现“一人千面”的个性化广告提供技术支撑。
2 广告深度个性化的演进阶段
广告个性化的发展历史，本质上是一部媒介技术、数据能力与计算范式不断演进的历史。它大致可以划分为三个紧密相连又特征鲜明的阶段：以大众媒介为载体的“千人一面”时代，以互联网和算法推荐为核心的“千人千面”时代，以及以生成式AI为引擎的、正在到来的“一人千面”时代。
2.1 “千人一面”的传统广告时代
在互联网普及之前，广告的主流阵地是电视、广播、报纸、杂志等传统大众媒介。传统广告投放采取的是典型的“一对多”大众传播模式，表现的核心特征为信息的标准化与受众的匿名化[1]，即“千人一面”。
广告运作依赖于市场抽样调查与从业者经验，其本质是面向模糊受众群体的单向传播。广告主创造一条或一组核心的广告信息，通过购买大众媒体的版面或时段，将广告内容无差别地推送给所有能够接触到该媒介的受众[2]。个性化在这一阶段几乎是不存在的，最多只能做到基于媒介渠道的粗略划分。例如，在高端财经杂志上投放奢侈品广告，在体育频道投放运动品牌广告。基于对媒介受众群体年龄、收入、教育水平等宏观人口统计学特征或兴趣偏好的模糊划分，无法实现对个体的精准洞察与沟通，广告资源浪费严重[3]。同时，这一时代的广告理论与实践，主要围绕着如何打造具有最大公约数吸引力展开，广告创意的呈现形式通常具有单一性，致使大量受众接收到的广告内容完全一致。传统媒体采用无差别传播模式，难以精准识别有实际信息需求的受众群体，因此对大多数公众而言，广告创意所传递的内容属于缺乏针对性的冗余信息[4]。广告效果的评估也相对间接和滞后，依赖于收视率、到达率、毛评点等宏观、滞后的统计指标[5]，难以精确衡量单次广告曝光与消费者行为之间的因果关系。传统广告模式的根本局限在于技术，它缺乏收集个体用户反馈的渠道，也缺乏处理和应用大规模个性化数据的计算能力。虽然“千人一面”的广告模式在今天看来效率低下，但它仍在塑造大众文化、建立国民品牌、传递统一品牌价值方面发挥了不可替代的作用。
2.2 “千人千面”的算法推荐广告时代
随着互联网的商业化普及，数字广告的序幕被拉开，从最初简单的横幅广告，到以谷歌AdWords为代表的搜索广告，再到以Facebook、淘宝为代表的社交与电商平台上的展示广告，焕然一新的广告生态系统逐步形成。在大数据技术的推动下，广告行业已迈入以“计算”为核心、依托算法实现精准推送的程序化投放阶段，核心目标是在特定场景中完成目标用户与适配广告信息的最优匹配[6]。“千人千面”的个性化广告得以落地，主要得益于以下技术与商业模式的创新。
一是用户行为数据的规模化采集。网站、搜索引擎、社交媒体和电子商务平台成为记录用户海量行为数据的“传感器”。用户的每一次点击、搜索、浏览、购买、点赞、分享，都通过Cookie、设备ID等技术被记录下来，汇聚成庞大的用户行为日志[7]，海量数据为理解用户偏好提供了前所未有的精细化素材；二是用户画像技术的建立。平台利用机器学习算法对用户的行为数据进行分析和挖掘，为每个用户或设备贴上各种“标签”[8]，如年龄、性别、地域等人口统计学标签，运动爱好者、美妆达人、游戏玩家等兴趣标签，近期搜索过某商品、高价值用户等行为标签。不同的标签共同构成了用户的多维度画像，成为个性化投放的基础；三是实时竞价（RTB）机制的普及。RTB框架的诞生，让每一次广告展示机会都能在极短时间内完成线上竞拍。当用户打开网页或应用程序时，广告交易平台会向多家需求方平台（DSP）发出竞价请求，DSP将依据用户标签与广告主投放策略，即时判断是否参与竞价并确定出价多少[9]。实时竞价机制推动广告投放逻辑从采购媒介资源转向锁定目标人群，有效达成对核心受众的精准触达；四是预测模型的广泛应用。计算广告系统的核心是各种预测模型，其中最关键的是点击率（CTR）预测模型和转化率（CVR）预测模型。这类模型利用DeepFM、DIN、DIEN等深度学习技术，综合用户特征、广告特征、上下文特征，预测用户看到某个广告后发生点击或转化的概率[10]。广告系统便可依据预测出的概率与广告主出价，计算出eCPM（effective Cost Per Mille，每千次展示的有效成本），并以此为依据进行排序和投放，最大化平台收入和广告主ROI。通过数据管理平台（DMP）构建用户标签体系，利用协同过滤、逻辑回归等机器学习模型进行人群定向与点击率（CTR）预估，广告实现了基于历史行为的“千人千面”投放[11]。
此阶段的个性化广告严重依赖历史行为数据，实际上 仍是过去决定现在的静态匹配，难以捕捉用户动态、瞬时的意图与深层情感需求，容易导致信息茧房和算法偏见[12]。同时，创意库的规模终究是有限的，无法覆盖所有细分人群和动态情境的组合，导致在长尾场景下个性化效果不佳。随着用户对广告的“免疫力”增强，标准化的广告模板将越来越难以打动人心。
2.3 “一人千面”的生成式计算广告时代
生成式AI的发展推动广告进入了以认知为核心的阶段，即认知计算广告或生成式计算广告时代[13]，广告从购买用户注意力转向理解用户心智，追求在个体层面实现“一人千面”。传统广告模式下，即使是“千人千面”也受限于预设的创意库。然而，在生成式AI的加持下，广告系统能够以前所未有的速度和多样性生成广告创意。生成式召回技术不再局限于从现有物料库中检索，而是利用生成模型直接创造出新的、可能不存在于任何数据库中的候选物料，广告可以根据用户当前的浏览行为、情绪状态、地理位置甚至天气情况等多种实时情境因素，即时生成高度定制化的文案、视觉元素、音频甚至互动形式[14]。百度商业智能体（Agent）的引入以及Meta基于多模态大模型构建的广告内容投放新范式，都体现了这一趋势，通过实时用户行为分析与推荐，显著提升了广告效果[15]。
生成式计算广告不仅关注用户的显性行为数据，更致力于洞察用户的深层意图和情感需求。基于多模态理解技术，它能够同时处理和关联来自文本、图像、声音、视频等不同模态的数据，形成统一、连贯的语义表示[16]。通过分析用户在社交媒体上发布的信息，AI系统能够更精准地判断用户当下的真实需求与情绪，从而生成在风格、语气和内容上都极度契合的广告信息，使得广告能够更好地与用户产生共鸣，实现从简单的信息传递到情感连接的转变[14]。此外，生成式AI通过合成数据和知识推理，极大地提升了数据的可用性与精准性。生成式AI可以“预演”新上线广告创意的表现，通过生成数百个语义相近的文案版本或视觉变体，并利用预训练的效果预估模型评估其潜在的点击率（CTR）和转化率（CVR），从而在投放前获得对新创意的初步判断。针对新用户或行为数据稀疏的用户，生成模型可以基于少量种子用户或相似用户群体的行为模式，生成符合其可能偏好的虚拟行为序列，从而有效填充用户画像[17]，降低冷启动成本，并提升对长尾需求的覆盖能力。这对于实现“一人千面”所需的极致精细化运营至关重要。
尽管生成式AI在自动化创意生成方面展现出强大潜力，但其生成的广告内容若缺乏人工引导和约束，易于陷入平庸和同质化[18]。因此，“一人千面”的时代并非完全由AI主导，而是强调人机协同的工作模式[19]。AI作为强大的创意工具和灵感引擎，可以在短时间内生成海量创意原型，将人类创意者从烦琐的执行中解放出来，使其专注于核心策略、审美判断和品牌价值观的把控。因此,人类的审美、经验和战略判断力在生成式计算广告中变得更加重要，共同推动广告创意向更高层次发展[20]。“一人千面”的生成式计算广告时代，是数字广告领域的一场深刻革命，它通过技术创新，特别是生成式召回、AI数据增强和多模态理解，使得广告能够以更智能、更个性化、更具创造力的方式触达用户。
3 智能广告个性化的底层逻辑
实现从筛选展示到理解生成的范式跃迁，要求计算广告系统在底层技术架构上进行根本性的变革[21]。生成式计算广告的“一人千面”主要建立在三大新兴技术逻辑之上：颠覆传统召回方式的生成式召回，解决数据瓶颈的AI数据增强，以及实现情境深度感知的多模态理解。这三者共同构成了生成式计算广告的核心引擎，最终推动广告从“千人千面”迈向“一人千面”的深度个性化，实现真正意义上的供需智能匹配。
3.1 生成式召回
在传统广告匹配机制中，“召回”阶段旨在从海量的商品或广告素材库中，快速筛选出一个较小的、与用户相关的候选集合，以供后续的精排模型进行处理[22]。传统的召回方法，如协同过滤（CF）[23]、基于内容的召回以及向量化召回等，本质上均遵循“检索”范式。这些方法高度依赖关键词、标签等规则化筛选，从一个预先存在且有限的素材池中找出最佳匹配项。然而，传统“召回”模式存在显著瓶颈。系统推荐与广告边界被素材库的大小和多样性所严格限制，如果一个潜在的、能完美匹配用户需求的创意从未被制作出来，那么系统将永远不可能将其呈现给用户。另外，对于新用户的冷启动问题或兴趣独特用户的长尾问题，检索式召回难以找到合适的匹配项，常常出现“词不达意、意图漏检”的局限性[24]。
“生成式召回”的出现彻底颠覆了这一逻辑，它不再局限于从现有素材池中检索，而是利用生成式模型直接创造出新的、可能在任何数据库中都不存在的候选素材。这一思想的转变，将召回阶段从一个传统的“大海捞针”过程，转变为一个动态的“按需造物”过程[22]。显然，生成式召回的优势是具有革命性的：它极大地扩展了创意的可能性空间，理论上可以达到无穷大，它不仅能从知识库中检索元素，更能根据对用户需求和品牌调性的深度语义理解，即时生成全新的文案、视觉组合甚至互动叙事，从而突破素材库的限制，实现真正的创意涌现[25]；它为解决冷启动和长尾问题提供了全新的思路，即使没有历史数据，也可以基于用户的基本属性和即时情境生成相关内容。生成式召回作为生成式计算广告的核心组成部分，通过其独特的生成能力，正在改变广告业的面貌，为实现深度个性化提供了坚实可靠的技术支撑。
3.2 AI数据增强
在智能广告领域，AI数据增强技术旨在克服数据稀缺、提升模型泛化能力并优化用户体验[26]，在实现“一人千面”的深度个性化推荐中扮演着核心角色。
AI数据增强是应对智能广告中数据稀缺性挑战的有效手段。深度学习模型，特别是用于个性化推荐的复杂模型，对高质量、多样化的训练数据有巨大需求[27]。但在实际落地场景中，大规模标注数据的获取通常伴随较高成本与较长周期，易使模型在有限样本下出现过拟合现象，进而降低模型在新数据上的泛化性能[27]。数据增强技术借助对已有数据实施多类型变换处理，可人工生成全新训练样本，从而显著扩大训练数据集的规模[26]。例如，对于广告图像，可以通过旋转、缩放、裁剪、亮度调整等几何变换和光度变换生成大量变体，这些变体在语义上与原始图像保持一致，但呈现出不同的视觉特征[28]。这种方法能够有效降低模型的方差，使其更专注于学习与任务相关的、具有不变性的核心特征，而非仅仅记忆训练样本的表面细节，从而提升模型的泛化能力和鲁棒性[29]。
通过促进广告内容的生成与优化，AI数据增强直接赋能了“一人千面”的实现。以生成对抗网络（GANs）和大型语言模型（LLMs）为代表的生成式AI技术，在智能广告的创意生成和内容优化方面展现出巨大潜力[30]，能够根据用户画像、产品特点和广告目标，自动生成高度个性化的广告文案、图片甚至视频[31]。例如，生成式AI可以根据用户的历史浏览行为和兴趣偏好，生成符合其口味的广告标题和描述，甚至调整广告图片的风格和元素[32]。AI数据增强通过为这些生成模型提供多样化的训练数据，使其学习到更广泛的广告创意模式和用户反馈规律，进而可产出更具吸引力与精准性的广告内容。这种能力使得广告主可以为不同的用户群体甚至每个个体生成定制化的广告[33]，推动实现“一人千面”的营销策略。
3.3 多模态理解
用户生活在一个由文本、图像、声音、视频等多模态信息构成的世界里。用户的意图和情感，也往往通过跨模态的方式流露出来[34]。“一人千面”的深度个性化，要求广告系统必须具备强大的多模态理解能力，才能从用户接触到的复杂信息流中，精准捕捉其状态和需求。过去，广告引擎如同 “摸象的盲人”，它无法真正看懂图片与视频，对内容的理解仅停留在标签层｡而多模态理解则让AI能够同时处理和关联来自不同模态的数据，并形成一个统一、连贯的语义表示。由此超越了仅处理文本或仅处理图像等单一模态的分析，带来更深层次的洞察。
多模态理解技术通过融合异构数据，能够构建更丰富的用户画像和广告内容表征，超越了单一模态的局限[34]。例如，通过分析用户在社交媒体上发布的照片、点赞的视频内容，系统可以将用户的视觉偏好、听觉偏好等信息被融入用户画像，使得广告系统能够更精确地理解用户的品位和情感倾向。多模态深度学习模型能够有效地从这些异构数据中提取特征，并将它们整合到一个统一的向量空间中，从而形成对用户和广告内容更全面、多维度的表示，能够捕捉到用户兴趣的细微之处,以及广告内容的深层语义。此外，在场景经济视角下，智能广告强调在特定情境下为用户提供高度相关的广告服务，多模态理解能够识别和分析用户所处的即时情境信息[35]。将情境信息与用户的多模态兴趣画像相结合，广告系统能够实时生成并推送高度情境化的广告，让广告触达更为精准高效，同时显著优化用户体验与广告投放成效。得益于多模态大模型（LMM）对文本、图像、语音、视频甚至传感器数据的融合理解能力，通过分析用户上传的图片、语音语调、视频背景等信息，广告系统能够更精准地判断用户当下真实需求与情绪，从而实现“场景智能匹配”，让广告匹配的维度从二维的标签世界跃升至三维的真实感官世界｡
4 智能广告深度个性化的现实挑战
智能广告在实现“一人千面”深度个性化过程中面临着多重现实挑战，涉及隐私伦理、效率与创意平衡以及技术内生风险三个主要方面。
4.1 隐私与个性化的矛盾
智能广告深度个性化的核心在于，通过收集、分析用户的行为数据、偏好以及情境信息，从而精准推送高度相关的广告内容[36]。然而，深度个性化服务与用户日益增长的隐私保护需求之间存在显著冲突[37]，源于数据效用与隐私保护的根本性权衡（Privacy-Utility Trade-off）[38]。为了实现更精准的个性化推荐，智能广告系统需要获取更多、更细致的用户数据，包括用户的身份信息、地理位置、兴趣偏好、行为轨迹，甚至生物特征等，具有高度敏感性。多模态数据通常包含更丰富的个人信息，如通过图像识别用户所处环境，通过语音识别用户对话内容。对这些多模态数据的深入理解和利用，虽然能显著提升个性化水平，但也意味着更高的隐私泄露风险[37]。
现有研究表明，传统的匿名化技术在面对强大的数据分析能力时已显得日益脆弱，难以阻止个人被重新识别[39]。欧盟的《通用数据保护条例》（GDPR）和我国的相关数据保护法规，均对个人数据的收集、处理和使用提出了严格要求[40]。智能广告在追求“一人千面”的同时，必须遵守这些法律法规，确保用户数据在收集、存储、处理和共享过程中的安全与合规[41]。为了缓解这一矛盾，差分隐私（Differential Privacy, DP）等技术被提出并应用于保护用户隐私。差分隐私通过在数据发布或模型训练过程中添加经过校准的噪声，确保任何单个个体的数据变更不会显著影响分析结果，从而为隐私提供了严格的数学保障[42]。然而，差分隐私的实施往往伴随着模型效用的损失，即更强的隐私保护可能导致个性化推荐的精准度下降。因此，如何在隐私和效用之间找到最佳平衡点，是智能广告深度个性化需要持续面临的挑战。
4.2 自动化与精品化的对抗
智能广告的深度个性化离不开自动化技术，从广告内容生成到投放优化，AI工具极大地提升了效率[43]。但广告高度自动化与广告创意追求的精品化和艺术性之间，常常存在一种内在的对抗。自动化追求的是标准化、可复制性和效率最大化，通过算法批量生产广告内容，实现千人千面的快速响应[44]。生成式AI技术能够根据用户画像和营销目标自动生成广告文案、图片、视频乃至整个广告活动方案[21]。这种能力使得广告主可以针对不同用户群体甚至每个个体生成定制化的广告，有效提升了广告的触达效率。
然而，广告的精品化往往需要人类的独特创意、情感共鸣和文化洞察[45]。自动化生成的内容，虽然能够满足个性化需求，但在艺术性、情感深度和文化契合度方面可能难以达到人类创意者的高度。当AI以“共创者”的身份参与创作时，人类的角色需从单纯的任务执行者转向“主导者”与“把关者”，并在创意思维、场景研判及内容真实性管控等层面发挥不可替代的核心价值[46]。尽管各类生成式模型在时空连续性和多模态理解方面表现出色，但在生成具有深刻文化内涵和情感张力的广告内容时，仍然需要人类的介入和指导[47]。过度依赖自动化可能导致广告内容的同质化和缺乏灵魂，甚至产生不符合品牌形象或社会价值观的低质量内容。因此，智能广告在追求效率的同时，需要探索自动化与精品化相结合的路径，实现人机协作的优化范式[46]。这意味着AI应作为辅助工具，赋能创意人员，而非完全取代其角色。通过人机协同，发挥AI在数据分析和内容生成方面的优势，同时保留人类在创意构思、情感表达和价值判断上的核心作用，以实现既高效又富有创意的个性化广告[48]。
4.3 技术与算法的内生性风险
当我们将广告创意这一复杂且带有社会文化属性的任务交给技术与算法时，也必须警惕技术本身所固有的、可能带来负面影响的内生性风险，它们可能对用户、广告主乃至社会产生负面影响。
一是算法偏见与歧视问题。智能广告算法在模型训练阶段，若用于学习的原始数据带有偏见倾向，算法便可能将此类偏见加以吸收并进一步放大，从而导致对特定群体的歧视性广告推送[49]。例如，算法可能会错误地将特定产品只推荐给特定性别或收入群体，限制了其他用户接触信息的权利。算法偏见不仅会降低用户体验，还可能引发社会公平性风险。在个性化推荐系统中，如果算法倾向于推荐用户已有的兴趣内容，可能会导致“信息茧房”效应，使用户无法接触到多样化的信息和观念[50]。二是模型“黑箱”问题与可解释性挑战。当前许多用于智能广告的深度学习模型，尤其是多模态大模型（LLMs），具有复杂的内部结构和决策机制，被称为黑箱模型，其决策过程难以被人类理解和解释[51]。透明度的缺乏在广告创意生成和个性化推荐中可能引发信任危机。广告主可能无法理解为什么某个广告创意被推荐给特定用户，也无法有效诊断广告效果不佳的原因[52]。对于用户而言，无法理解为何接收到某些广告，可能导致反感，甚至对算法产生抵触情绪。在人工智能时代，广告设计需要避免陷入伦理“陷阱”，并加强对算法的监管[53]。三是技术滥用风险。智能广告的深度个性化能力如果被不当利用，可能成为操纵用户行为的工具。例如，利用用户的情绪状态或认知偏见，推送具有诱导性的广告内容，这可能导致用户作出非理性消费决策[54]。因此，智能广告在实现“一人千面”深度个性化的道路上，必须正视并积极应对复杂技术和算法带来的内生性风险，这需要技术创新、伦理规范、法律监管，以及人机协同的全面发展，才能确保智能广告在提升商业价值的同时，更好地服务于用户和社会[55]。
5 结语
智能广告在生成式AI技术的推动下，正经历着从“千人千面”到“一人千面”的深刻变革，其核心驱动力在于生成式召回、AI数据增强和多模态理解三大技术。生成式召回通过按需创造广告内容，极大地扩展了广告创意的可能性空间，有效解决了传统召回模式中素材库有限和长尾效应的问题。AI数据增强则通过对现有数据的智能化处理和新样本的生成，克服了深度学习模型对海量高质量数据的依赖，显著提升了模型的泛化能力和广告内容的生成效率。而多模态理解则使得广告系统能够从文本、图像、音频、视频等多种模态数据中全面、深入地洞察用户需求和情感，并精准感知用户所处的情境，从而实现高度情境化的广告推送。这三项技术的协同作用，共同构成了智能广告实现深度个性化的核心引擎，推动广告从被动匹配向主动生成演进，最终为每个用户提供独一无二的定制化广告体验。
然而，在追求“一人千面”的深度个性化过程中，智能广告也面临着一系列现实挑战。隐私与个性化的永恒博弈，在深度认知时代被推向了新的高度，迫使我们重新思考数据权利的边界；自动化带来的极致效率，与人类创意所追求的精品化和品牌精神之间产生了激烈碰撞，要求我们重构人机协同的新型生产关系；而技术本身固有的偏见、不可靠性和不可解释性等内生性风险，则像悬在品牌头上的达摩克利斯之剑，警示着我们在拥抱技术红利的同时，必须建立起审慎、负责的治理体系。展望未来，智能广告将更加强调以人为本，在技术赋能的同时，充分发挥人类在创意、情感和价值判断上的独特优势，最终构建一个既高效精准又富有温度、负责任的广告生态系统。
作者简介
段淳林，华南理工大学新闻与传播学院教授、博士生导师
王晶晶，华南理工大学新闻与传播学院硕士研究生
注释
热门跟贴