智能推薦引擎的基本邏輯是什么？熱門、興趣、地域、探索四大策略邏輯，預(yù)測群體的行為。
智能推薦爆紅于資訊產(chǎn)業(yè)是因?yàn)樯?？海量信息帶?dòng)海量反饋數(shù)據(jù)推導(dǎo)出精準(zhǔn)算法。
智能推薦會(huì)干掉媒體人么？永遠(yuǎn)不會(huì)，但鴻溝已定，玩法必改。
智能推薦的未來是什么？除了以社交為衍生的信息入口外，以獲取資訊為目的的第二個(gè)信息入口。
前幾天，我和老蔡做了一番極度嚴(yán)肅與技術(shù)型的對(duì)話，被360度全面科普了一番。
老蔡是誰？蔡明軍，技術(shù)極客一枚。
工程師出身，搞過航天921項(xiàng)目、開發(fā)過大型網(wǎng)站、參與過搜狗搜索引擎的設(shè)計(jì)研發(fā)、做過在線教育，十多年的互聯(lián)網(wǎng)技術(shù)研發(fā)經(jīng)驗(yàn)，目前是搜狐內(nèi)容推薦引擎的負(fù)責(zé)人，該引擎已經(jīng)在搜狐新聞客戶端上落地，取得了不錯(cuò)的效果。
作為半只腳踩在媒體里的技術(shù)達(dá)人，他對(duì)媒體的判斷，少了點(diǎn)情懷和虛偽，多了點(diǎn)邏輯和算法——也許，未來一個(gè)這樣的技術(shù)人員抵得過二十個(gè)報(bào)業(yè)集團(tuán)的影響力，或者說，現(xiàn)在已經(jīng)有這樣的苗頭。
和老蔡的對(duì)話，是我近日最有收獲的一次。
我寫的照樣很長，我照樣建議你，先保存下來，看不懂沒事，再讀上三遍，絕對(duì)有價(jià)值！定有當(dāng)頭棒喝的效果！媒體從業(yè)者可以看到技術(shù)的顛覆浪潮，技術(shù)人員可以看到資訊產(chǎn)業(yè)的潛在作用。
——以下為正文，第一人稱口述體——
一問老蔡：為什么智能推薦的市場突然爆發(fā)，上有過億級(jí)用戶的追捧，中有巨頭的不斷占位，下有巨量資本投入？這件事真的那么重大，那么靠近大勢么？
智能推薦，很多人看的這個(gè)說法的第一反應(yīng)是，這玩意靠譜么？
要回答這個(gè)問題，回顧一下智能推薦的誕生和發(fā)展就知道為什么會(huì)這樣了。
1，需求驅(qū)動(dòng)產(chǎn)生了智能推薦
互聯(lián)網(wǎng)早期的資訊門戶是第一個(gè)成功的產(chǎn)品。它其實(shí)就是由編輯人工整理PUSH出來的一堆鏈接堆疊在網(wǎng)頁上。在資訊匱乏的時(shí)代，這已經(jīng)可以滿足絕大部分用戶的心智需求。
時(shí)間往后推，十幾年的時(shí)間里，互聯(lián)網(wǎng)信息不斷爆發(fā)，人們獲取資訊的深度、廣度和頻度都獲得極大提升。簡單堆砌的門戶資訊已經(jīng)不能滿足需求。這時(shí)候出現(xiàn)了RSS訂閱，號(hào)稱資訊閱讀的革命，代表產(chǎn)品是google reader。由于每個(gè)人訂閱的信息源不一樣，最終看到資訊列表也全然不同，用戶在這里體會(huì)到了個(gè)性化的資訊服務(wù)。
但是RSS訂閱最終還是死掉了，為什么？因?yàn)槟阋獣?huì)使用訂閱工具，還要能找到訂閱源，兩道門檻把小白人群擋在了門外，只適合精英人群玩耍。用戶量起不來，市場不認(rèn)可，自然就廢掉了。
RSS死掉了，但卻讓用戶體驗(yàn)到個(gè)性化資訊服務(wù)是多么的美妙。讓用戶自主訂閱有門檻，那由機(jī)器主動(dòng)推薦就順其自然誕生了。
亞馬遜網(wǎng)站出現(xiàn)的購物推薦，開啟了機(jī)器智能推薦的時(shí)代。由此衍生出了現(xiàn)在新聞、音樂、書籍、社交等各種類型的智能推薦引擎。
2，技術(shù)積累給智能推薦效果提供了保障
有需求在，但如果技術(shù)上達(dá)不到可用性要求，那也是白搭。
早期計(jì)算機(jī)計(jì)算能力有限，可獲取的用戶數(shù)據(jù)也有限，推薦算法大都是在實(shí)驗(yàn)室環(huán)境下做學(xué)術(shù)研究，真正商用還有比較大的風(fēng)險(xiǎn)。隨著互聯(lián)網(wǎng)的高速發(fā)展，特別是搜索引擎相關(guān)技術(shù)的發(fā)展，計(jì)算能力已經(jīng)不是問題，而且大規(guī)模的用戶數(shù)據(jù)收集也已經(jīng)不是難事。這樣基于大樣本數(shù)據(jù)的實(shí)時(shí)分析處理系統(tǒng)（大數(shù)據(jù)）可以快速分析出群體行為的概率分布，再將這些概率分析應(yīng)用到個(gè)體用戶上，就產(chǎn)生了智能推薦的體驗(yàn)。例如搜狗的云輸入法，基本原理很簡單，就是通過概率計(jì)算你要輸入的下一個(gè)字可能是什么。但這在后臺(tái)需要一個(gè)龐大而復(fù)雜的實(shí)時(shí)分析處理系統(tǒng)。
另外對(duì)人類語言及語義的計(jì)算機(jī)識(shí)別處理，有一門專門的學(xué)科叫自然語言處理，也有的叫計(jì)算語言學(xué)。之前主要研究的領(lǐng)域是自然語言的機(jī)器翻譯，它的基本邏輯就是通過機(jī)器學(xué)習(xí)和訓(xùn)練，通過統(tǒng)計(jì)分析大量人類已有的文章、句子、詞匯和詞匯之間的概率分布情況是什么，根據(jù)語義來配對(duì)。中科院、微軟、谷歌等大機(jī)構(gòu)都投入大量資源在做研究，發(fā)了大量的paper，取得了非常不錯(cuò)的效果。
學(xué)術(shù)研究在前，商業(yè)應(yīng)用在后，給智能推薦的效果提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。
3，移動(dòng)互聯(lián)網(wǎng)成為智能推薦大爆發(fā)的導(dǎo)火索
自從亞馬遜推出商品推薦之后，各種類型的網(wǎng)站都在跟進(jìn)和不斷完善各自的推薦引擎。典型的如Hulu和淘寶都大量應(yīng)用了智能推薦。但不管怎么用，他們的智能推薦仍然處于輔助路徑上。
但進(jìn)入移動(dòng)互聯(lián)網(wǎng)時(shí)代，智能推薦已經(jīng)開始從輔助路徑轉(zhuǎn)變到主路徑上。比如手機(jī)淘寶，其首頁的商品推薦已經(jīng)是個(gè)性化的，極大提升了首頁的分發(fā)能力。還有最近官司不斷的今日頭條，其主打特色也是將資訊的智能推薦放入產(chǎn)品的主路徑上。為什么會(huì)有這樣的變化呢？因?yàn)樗窃谝苿?dòng)端。
PC由于屏幕足夠大，一屏可以顯示密密麻麻的內(nèi)容和鏈接讓用戶去選擇，這種版式閱讀來自于報(bào)紙閱讀習(xí)慣的延伸，小白用戶們挺習(xí)慣的。信息量給少了，他們還不習(xí)慣，認(rèn)為你虧待他們了。可到了移動(dòng)端手機(jī)屏幕上，如果照搬版式閱讀的頁面布局，用戶一定會(huì)瘋掉的。而且在Twitter和Facebook的教育下，不斷滑動(dòng)的Feed流形式已經(jīng)被絕大多數(shù)用戶接受和認(rèn)可，流式閱讀已經(jīng)成為標(biāo)準(zhǔn)的移動(dòng)端閱讀習(xí)慣。在移動(dòng)場景下，如果不能盡快給到用戶感興趣的內(nèi)容，那這個(gè)產(chǎn)品離死也就不遠(yuǎn)了。面對(duì)海量資訊和碎片化的流式閱讀，編輯人工排版已經(jīng)力所不及，智能推薦自然就擔(dān)當(dāng)起主路徑的角色。
另外，移動(dòng)端設(shè)備被叫做“人的自然衍生”，一部手機(jī)默認(rèn)就是一個(gè)自然用戶。它相比PC，系統(tǒng)可以獲得更多更大量的用戶行為信息，這樣讓智能推薦的效果更加有保障。
在移動(dòng)端的產(chǎn)品中，如果沒有基于大數(shù)據(jù)分析的智能推薦邏輯，都不好意思說自己是移動(dòng)產(chǎn)品。你說智能推薦靠不靠譜？現(xiàn)在做產(chǎn)品的早就不討論智能推薦靠不靠譜的事兒，而是琢磨怎么讓它更靠譜。
二問老蔡：為什么用戶會(huì)看到智能推薦出來的東西，往往熱門但是三俗內(nèi)容一大堆？甚至有人總結(jié)了一首打油詩：“低俗段子傳播廣，中華酷聯(lián)爭議忙，小米錘子對(duì)罵爽，蘋果水軍非常強(qiáng)，汽車評(píng)測話凄涼，奇葩趣聞擼管王，何為頭條新熱點(diǎn)，還得要看黨中央。”
三俗的東西最熱門，這個(gè)基本不用數(shù)據(jù)挖掘，就知道結(jié)果肯定會(huì)是這樣。
道理很簡單，按照馬斯洛的說法，人的需求有五個(gè)層次，三俗是低層次的需求，卻也最普世。就像收視率被稱作萬惡之源，點(diǎn)擊率絕對(duì)不能成為智能推薦引擎的唯一標(biāo)準(zhǔn)。比如你如果用娛樂新聞和科技新聞的點(diǎn)擊量和點(diǎn)擊率做直接對(duì)比，那根本就是不公平的。
（潘越飛：陽淼在采訪騰訊網(wǎng)副主編的《整合微博后，騰訊門戶怎么走》中提到，騰訊門戶當(dāng)年也做個(gè)性化，結(jié)果最后基于個(gè)性化匹配出來的內(nèi)容都是新聞中的垃圾食品，獵奇新聞、黃賭毒，然后是美女圖片、八卦、奇聞、謠言等，“垃圾食品大家都知道不好，但很多人都愛吃”。）
當(dāng)你能找到用戶區(qū)別于三俗內(nèi)容的興趣點(diǎn)時(shí)，就不會(huì)唯點(diǎn)擊率論了。
回到用戶覺得推薦效果不夠好這件事上，我覺得主要有兩個(gè)原因：
1，每個(gè)人對(duì)推薦的理解不一樣，會(huì)產(chǎn)生以偏概全，武斷地認(rèn)為推薦效果很差。
2，由于技術(shù)的局限性，產(chǎn)品的過度宣傳導(dǎo)致用戶的過度期望。
之前看有人寫過一篇看衰智能推薦的文章，很有代表性。正好我也總結(jié)一些大家對(duì)智能推薦普遍的疑問或誤解，簡單做下回答。
1，智能推薦會(huì)不會(huì)越推越窄，讓你成為井底之蛙？
答案當(dāng)然是肯定不會(huì)。但經(jīng)常會(huì)有朋友給我舉一些例子（行內(nèi)稱之為“BadCase”），比如：我看了幾篇馬航MH17的文章后就一個(gè)勁的被推薦馬航MH17的資訊，而我其實(shí)更關(guān)心烏克蘭局勢對(duì)美俄歐三者關(guān)系的影響。這個(gè)BadCase試圖想說明智能推薦引擎的“弱智”。其實(shí)，這個(gè)Case到底是不是BadCase還需要看推薦場景。如果是在某篇馬航事件的“相關(guān)推薦”中出現(xiàn)那屬于正常的。而如果是在推薦主路徑上過于頻繁，那就確實(shí)不應(yīng)該了。
但這樣的推薦引擎應(yīng)該不是合格的推薦引擎。因?yàn)槿绻麅H僅簡單依靠直接反饋來做推薦，那根本不能稱之為智能引擎。推薦引擎的多樣性是很重要的指標(biāo)，越推越窄是設(shè)計(jì)之初就要力圖避免的。
在此順便介紹我們推薦引擎的四種類別的推薦策略：熱門引擎，即尋找和你相關(guān)的近期的熱門資訊，它比較注重新聞性；興趣引擎，即尋找你興趣點(diǎn)范圍內(nèi)的資訊內(nèi)容，他比較注重內(nèi)容和興趣的長尾特性，力圖捕捉到你特別個(gè)性的一面；地域引擎，即根據(jù)用戶經(jīng)常停留的位置做本地化區(qū)域資訊的推薦，它比較偏重日常生活類資訊；探索引擎，即基于用戶行為的深度挖掘及人際關(guān)系，依據(jù)一些內(nèi)在的隱形關(guān)聯(lián)關(guān)系做推薦，挖掘用戶未知的興趣點(diǎn)，適度擴(kuò)散性的推薦資訊，并根據(jù)用戶的實(shí)時(shí)反饋不斷修正，正確的就遷移到其他推薦策略上去。
對(duì)每個(gè)人來說，這四種策略引擎都同時(shí)存在。只是根據(jù)算法模型做個(gè)性化的權(quán)重配比。如果你覺得很多內(nèi)容不適合你，那應(yīng)該就是配比的比例出現(xiàn)了問題。
2，人心難測，機(jī)器怎么可能理解我？
這個(gè)質(zhì)疑屬于偷換概念。推薦引擎不是心電圖也不是測謊儀，更不是貼身心理分析師或保姆，順著你的脾氣，看看你今天高興了，明天失戀了，分別都需要看點(diǎn)什么。
推薦引擎的邏輯，還是通過挖掘群體用戶的行為規(guī)律和個(gè)體歷史行為的數(shù)據(jù)做行為分析和預(yù)測。這其實(shí)和我們?nèi)祟愑^察理解事物是一致的，就是我們常說的“聽其言觀其行”。如果你都不參與推薦引擎的交互，僅僅以個(gè)人的某一單一感受去判定智能推薦引擎的好壞，這是不公平的。
平常會(huì)有很多人跟我們團(tuán)隊(duì)反饋問題，說這個(gè)推薦的不好，那個(gè)推薦的怪異。我們首先會(huì)積極把問題收集上來，作為我們的BadCase，然后逐條去做分析，找到問題的緣由，再回歸到數(shù)據(jù)模型上去做調(diào)整測試。
再說了，人心本就難測，千古難題，機(jī)器怎么可能做到，絕對(duì)的捧殺。
3，智能推薦的內(nèi)容質(zhì)量無法保障，控制不了垃圾內(nèi)容？
不管是編輯還是機(jī)器，高質(zhì)量內(nèi)容的辨識(shí)能力一直是個(gè)長期命題。
智能推薦引擎的底子是搜索引擎，所以搜索引擎擁有的反垃圾能力它也都具備。但推薦引擎是在和編輯人工列表做對(duì)比的，用戶對(duì)垃圾的敏感度遠(yuǎn)高于搜索引擎。
但世界就是這么奇妙，由于推薦引擎的強(qiáng)交互性，可以通過用戶的選擇進(jìn)行動(dòng)態(tài)篩選，把垃圾內(nèi)容快速洗出去。所以，智能推薦有自己一整套自己的內(nèi)容質(zhì)量控制體系。
當(dāng)然漏網(wǎng)之魚不是沒有，但更多的情況是推薦策略不合理導(dǎo)致的不匹配。同樣的內(nèi)容，對(duì)你來說是垃圾，對(duì)別人來說是寶貝，彼之砒霜他之蜂蜜。推薦引擎的策略優(yōu)化是個(gè)長期而且持續(xù)的過程。
4，智能推薦是人與機(jī)器的交互，沒有人與人的交互，冰冷可怕？
其實(shí)恰恰相反。在具體實(shí)踐中，推薦引擎在反復(fù)使用人與人之間的關(guān)系屬性。
但它是個(gè)隱形的功能，不容易體現(xiàn)出來。例如，當(dāng)你看了兩篇文章，推薦引擎就找到同時(shí)看過這兩篇文章的用戶又看了哪些文章，并將閱讀幾率最高的文章推薦給你。有可能前面兩篇文章一篇講馬航MH17空難，一篇在講俄羅斯與歐盟的博弈，而推薦出來的是美國的亞太再平衡戰(zhàn)略。
還比如，你去九寨溝旅游，而推薦引擎會(huì)把在九寨溝的人普遍都看那篇文章推薦給你。
這種推薦充分利用了人與人之間的興趣屬性或地域?qū)傩灾g的關(guān)系，我們也叫做協(xié)同推薦。
從效果來看，基于人與人之間的關(guān)系推薦的內(nèi)容，要比純粹通過語義分析進(jìn)行推薦更好。你在推薦引擎上只看到了結(jié)果，但千萬不要武斷地說，推薦引擎就是靠機(jī)器在瞎猜，因?yàn)閮鐑缰斜赜芯売伞?/p>
5，人是一個(gè)變化的動(dòng)物，歷史并不能代表將來？
“狗改不了吃屎”這句話說得俗了點(diǎn)，但是點(diǎn)破了推薦引擎的一個(gè)重要邏輯：人的確會(huì)變，但有一些長期規(guī)律性的東西很難改變。
推薦引擎在設(shè)計(jì)時(shí)，會(huì)按照長期和短期進(jìn)行標(biāo)識(shí)，有一定梯度，來適應(yīng)人的變化。我們有秒級(jí)的算法模型更新，也有按天、按月的長期算法模型更新。
比如：你剛看了一眼馬航，引擎會(huì)再次推薦馬航相關(guān)的新聞。但引擎并不認(rèn)為馬航代表你的長期興趣，而只是當(dāng)下的熱門，所以才會(huì)適當(dāng)?shù)慕o一些，這是短期行為的捕捉。短期行為的興趣會(huì)隨著時(shí)間流逝而慢慢消退掉。推薦引擎不怕變，而怕不變。
三問老蔡：智能推薦引擎會(huì)干掉媒體人么？會(huì)出現(xiàn)那些加工廠里面的情況一樣，工人在流水線上的位置被一排排的機(jī)械臂代替，導(dǎo)致大批量失業(yè)么？算法和工程師干掉了整個(gè)編輯部，這是科（JI）幻(SHU)故(REN)事(YUAN)和恐(MEI)怖(TI)小(REN)說(YUAN)中都說會(huì)出現(xiàn)的場景。
我很堅(jiān)定的說，肯定不可能出現(xiàn)，至少在有生之年，哈哈。
由于近代科技的發(fā)達(dá)，人和機(jī)器的關(guān)系，一直存在某種微妙的關(guān)系。電影故事里，經(jīng)常出現(xiàn)人機(jī)大戰(zhàn)，但機(jī)器最后都打不過人，因?yàn)槿藭?huì)產(chǎn)生很多變量。機(jī)器再智能，也只是接近人，人的價(jià)值是無可替代的。
我們必須要學(xué)會(huì)去發(fā)現(xiàn)每個(gè)事物的特點(diǎn)。
機(jī)器對(duì)于規(guī)律性的行為挖掘興趣挖掘有優(yōu)勢，但對(duì)于價(jià)值觀的辨識(shí)、社會(huì)發(fā)展局勢的判斷、大事件的捕捉則鞭長莫及；而人工對(duì)于長尾興趣人群的識(shí)別和內(nèi)容匹配則是不可完成的任務(wù)。在智能推薦這件事上，本因是人力不可及，同時(shí)需求越來越強(qiáng)烈，才有機(jī)器去補(bǔ)位。
以上說的是背后的大邏輯，那么，在智能推薦主路徑化的時(shí)代，傳統(tǒng)媒體人又應(yīng)該怎么辦呢？我有五個(gè)大概的建議。：
1.媒體人必須正視這種變化。不要躲避，不要盲目悲觀，也不要仇恨（潘越飛：印刷機(jī)誕生之初，有傳教士寫了洋洋灑灑一本書，大談謄寫者才能感受到智慧與文字的靈性，機(jī)器破壞了神圣性，為了讓自己的觀點(diǎn)被更多人看到，這個(gè)傳教士選擇用印刷機(jī)來出版這本反對(duì)印刷機(jī)的書。這個(gè)黑色幽默，是很多保守派面對(duì)創(chuàng)新設(shè)備時(shí)典型的糾結(jié)狀態(tài)。）。
2.媒體人必須強(qiáng)化原創(chuàng)的能力，生產(chǎn)和發(fā)現(xiàn)獨(dú)特內(nèi)容。從無到有的過程，人能做，機(jī)器做不了。到目前為止，的確有通訊社在嘗試機(jī)器寫作，那些內(nèi)容都是快訊類，有深度的、原創(chuàng)的、獨(dú)家的內(nèi)容，一百年之內(nèi)都生產(chǎn)不了。
3.媒體要學(xué)會(huì)使用新的內(nèi)容運(yùn)營工具。 在使用智能推薦引擎來做分發(fā)的環(huán)境下，新的內(nèi)容運(yùn)營工具肯定不是現(xiàn)在CMS后臺(tái)這樣了，但具體是什么樣，我們也在試驗(yàn)和嘗試（我準(zhǔn)備寫一個(gè)，以后傳統(tǒng)意義上的編輯沒有存在價(jià)值了，系統(tǒng)內(nèi)的運(yùn)營人員才是核心，這是我一年多來的實(shí)踐心
得。）從產(chǎn)品角度來說，這一套全新的內(nèi)容運(yùn)營工具的出現(xiàn)則標(biāo)志著變革，其重要性不亞于用戶端產(chǎn)品的變化。
4.媒體本身是需要品牌的，機(jī)器很難有獨(dú)立的品牌內(nèi)涵。品牌認(rèn)可度上，用戶對(duì)媒體的判斷與定位，影響到他接受到資訊后的接受度。
5.媒體與用戶之間的互動(dòng)交流，建立粉絲群體，這也是機(jī)器做不到的。
總之，是媒體要回歸到人的屬性上去，放大人和機(jī)器的區(qū)別。
另外，在具體實(shí)踐過程中，我也經(jīng)常對(duì)研發(fā)人員講：千萬別軸，別想當(dāng)然。對(duì)于自認(rèn)為精妙的算法別認(rèn)為天然就是完美的，必須需要通過原型驗(yàn)證、小樣本集測試、大樣本集試用這樣的嚴(yán)謹(jǐn)流程才能廣泛推廣。而對(duì)于編輯人工排布的資訊，你可能認(rèn)為他們?cè)谧晕襓Y，但實(shí)際上有你不了解的特殊考量。
對(duì)于用戶來說，他根本不在意是編輯推薦還是機(jī)器智能推薦，體驗(yàn)爽就夠了。目前在搜狐新聞客戶端的實(shí)踐過程中，已經(jīng)主動(dòng)開始越來越弱化“推薦”的標(biāo)簽，盡量讓用戶感知不到誰做的推薦。
讓編輯做好精華的頭部資訊，即大熱門、大事件；讓機(jī)器做好長尾資訊、大流量的內(nèi)容分發(fā)。人工和機(jī)器互相取長補(bǔ)短，共同為用戶維護(hù)一個(gè)完整的資訊流，既有價(jià)值觀的屬性，也有長尾的分發(fā)能力。不要過于偏激的去迷信什么，不要認(rèn)為這是被迫妥協(xié)了，實(shí)際上，這樣的混合模式才更符合社會(huì)現(xiàn)實(shí)和用戶需求。
往后，人在發(fā)行上耗費(fèi)的精力更少，精力集中在發(fā)現(xiàn)、原創(chuàng)、品牌、互動(dòng)等更偏向于人的屬性。如果，你非要去搶發(fā)行的事，那就是以肉身去抵抗鋼鐵洪流，必?cái) ?/p>
凱撒的終歸凱撒，上帝的終歸上帝。
四問老蔡：媒體的未來，會(huì)在智能推薦引擎的影響下，變成什么樣？
1：智能推薦引擎卡位在門戶和搜索中間
智能推薦引擎是搜索引擎的同胞兄弟，他們的底層邏輯基本一致。區(qū)別在于，搜索引擎需要用戶主動(dòng)輸入關(guān)鍵字，推薦引擎不需要輸入關(guān)鍵詞，輸入的是用戶的行為。
當(dāng)年互聯(lián)網(wǎng)剛起來的時(shí)候，新聞資訊是剛需，門戶迅速崛起，百度那時(shí)候是給門戶打工的，他們都是用戶獲取資訊的工具，搜索靠用戶輸入關(guān)鍵字，門戶靠用戶眼睛掃，一個(gè)用戶拉一個(gè)編輯推，這是兩個(gè)邏輯干了一件事——資訊的獲取。推薦引擎也是在做同一個(gè)事。
我個(gè)人會(huì)把推薦引擎放在門戶和搜索引擎中間的位置。智能推薦引擎比搜索引擎更媒體化，比門戶更技術(shù)化。
2：智能推薦引擎利好于用戶、廣告主和自媒體
媒體一般會(huì)有兩個(gè)大的環(huán)節(jié)，內(nèi)容生產(chǎn)和內(nèi)容發(fā)行。
而推薦引擎是內(nèi)容發(fā)行的一次變革，極大的提高了發(fā)行效率，原本的門戶模式時(shí)，一天生產(chǎn)十萬條消息，真正能被看到的沒幾條，推薦引擎把熱門和長尾內(nèi)容都送到了用戶面前。用戶因?yàn)橥扑]引擎主動(dòng)為自己做個(gè)性化適配而更有效率地獲得資訊，因此而得利。
另外一個(gè)獲利的對(duì)象是廣告主。推薦引擎用海量細(xì)分的內(nèi)容幫廣告主細(xì)分了用戶，讓廣告投放更精準(zhǔn)；而且在信息流里的原生態(tài)廣告投放效果更好。
在內(nèi)容生產(chǎn)層面，由于智能推薦引擎能夠比編輯有更強(qiáng)的內(nèi)容細(xì)分的發(fā)行能力，這樣讓內(nèi)容生產(chǎn)者的內(nèi)容更容易呈現(xiàn)在合適的用戶面前，特別是自主原創(chuàng)者。這對(duì)自媒體是個(gè)好事。人人都是自媒體不是一句口號(hào)而已。
3：未來的資訊內(nèi)容會(huì)有兩個(gè)入口
一個(gè)是以社交關(guān)系衍生的資訊入口，一個(gè)是以獲取資訊為目的的資訊入口。
資訊內(nèi)容的含義很廣泛，做好資訊入口會(huì)有很大的想象空間。
另外，對(duì)于火爆一時(shí)的微博，我非常不看好。它是基于關(guān)注的淺層次訂閱邏輯，做的不倫不類，有些四不像，既不是基于社交關(guān)系的內(nèi)容聚合，也不是基于內(nèi)容關(guān)系的聚合，垃圾內(nèi)容泛濫，F(xiàn)eed流越來越雜，越看越難看了。
4：智能推薦引擎的終極目標(biāo)，不是幫助用戶kill time消磨時(shí)間，而是save time節(jié)省時(shí)間。
推薦引擎的篩選做的越精準(zhǔn)，用戶的閱讀時(shí)間更有效。當(dāng)用戶覺得推薦引擎的確能夠幫他節(jié)省時(shí)間，入口的效應(yīng)也就出來了。
5：推薦引擎在移動(dòng)互聯(lián)網(wǎng)時(shí)代漸漸進(jìn)入主流，但也還算新生事物，需要不斷演變成長。
目前其核心還是占住主路徑，適配規(guī)?；脩羧?，創(chuàng)造規(guī)模化收入，形成特有的產(chǎn)品生態(tài)和商業(yè)生態(tài)。推薦引擎一定會(huì)成為新一輪的互聯(lián)網(wǎng)標(biāo)配。