隨著互聯(lián)網(wǎng)大數(shù)據(jù)時代的到來，不管愿意還是不愿意，大數(shù)據(jù)正在影響著我們的閱讀習(xí)慣。以用戶社交網(wǎng)絡(luò)為基礎(chǔ)和用戶信息流為載體的閱讀平臺悄然誕生，以“今日頭條”為代表的閱讀軟件在不知不覺中生長出了“個性化閱讀”的萌芽。

不可否認(rèn)，算法推薦的出現(xiàn)，是外部環(huán)境，技術(shù)成熟和用戶需求三方面共同作用下出現(xiàn)的必然產(chǎn)物。將閱讀的主動權(quán)交給算法推薦，這種閱讀習(xí)慣也確實(shí)迎合了用戶行為習(xí)慣。但這種閱讀習(xí)慣正在帶來諸多弊端，這些弊端正使得“個性化閱讀”這個美好的口號變得不那么現(xiàn)實(shí)和性感。

在這里筆者不得不談一談自己在使用“今日頭條”時遭遇的尷尬：

筆者是一位互聯(lián)網(wǎng)行業(yè)媒體人，自然對自己所在的媒體有著較多的關(guān)注。筆者又恰好負(fù)責(zé)該媒體的一個欄目，所以對該欄目也有著特別的關(guān)注。與此同時，筆者還是一位資深“米粉”，偏愛小米的新聞，每當(dāng)小米出現(xiàn)新鮮資訊時總會特別關(guān)心。

于是筆者“今日頭條”的使用場景是這樣的——每天進(jìn)入“今日頭條”的訂閱板塊，看自己所在媒體有哪些稿件被采集了，每篇稿件閱讀量是多少，而且尤為關(guān)注的自己負(fù)責(zé)的欄目。而當(dāng)在科技欄目出現(xiàn)有關(guān)小米的新聞時，筆者也會點(diǎn)進(jìn)去看一看。

這樣的使用習(xí)慣讓筆者在“今日頭條”的過程中很尷尬：每次進(jìn)入客戶端時，推薦板塊連續(xù)六七條新聞全是筆者負(fù)責(zé)的那個欄目，而且有關(guān)小米的新聞也異乎尋常的多。這使得筆者在“今日頭條”上的閱讀變得越來越單一呆板。

單一的算法推薦和信息流推送對于筆者這種重度閱讀用戶來說也帶來了信息量過大、內(nèi)容過于雜亂、信息價值不高等問題。整個新聞客戶端顯得像是一個菜市場，沒有態(tài)度、沒有風(fēng)格，閱讀體驗(yàn)很差，呈現(xiàn)了碎片化的特點(diǎn)。

算法推薦的冷思考

為什么算法推薦閱讀會出現(xiàn)如此尷尬的現(xiàn)象呢？這里我們要從算法推薦的邏輯講起：

機(jī)器只是從關(guān)鍵字，字面上的匹配檢索來達(dá)到統(tǒng)計推薦的，對于文學(xué)作品或是新聞報道這類藝術(shù)性、專業(yè)性很強(qiáng)的內(nèi)容來說不能保證推薦出來的質(zhì)量。另外算法方面，總的來說現(xiàn)在主要還是基于統(tǒng)計與匹配檢索，主要的搜索因素都是你個人關(guān)注的信息類型、標(biāo)簽之類的東西，很難達(dá)到推薦效果。

一千個人眼里有一千個哈姆雷特，但是計算機(jī)只有只有一個。算法開發(fā)者在以他的思維機(jī)械化的統(tǒng)計出的關(guān)鍵字，然后來推薦給你，在有著博大精深的中文文字文化底蘊(yùn)的中國，這種推薦算法很難讓人讓人滿意。

另外補(bǔ)充一點(diǎn)，并不是說內(nèi)容消費(fèi)者只關(guān)注一個點(diǎn)，推薦的內(nèi)容能夠準(zhǔn)確命中這個點(diǎn)之后就是算法推薦的成功。這個還要取決于推薦的機(jī)制里對于內(nèi)容如何去定位其價值所在。閱讀這種雅興行為注重的是對個人的提升和啟發(fā)，長期重復(fù)關(guān)注一個點(diǎn)會將內(nèi)容消費(fèi)者的思維逐漸固化，不利于閱讀的拓展。

在這里筆者并不是否認(rèn)“今日頭條”的算法推薦。算法推薦的技術(shù)思考無疑是極具前瞻性的。但擺出這些問題筆者是希望能夠冷靜理性思考如今算法推薦陷入的技術(shù)陷阱。

選擇權(quán)還給“人”，這才是真正的“個性化”

“今日頭條”頭條的巨大成功之下，如今搜狐、新浪、網(wǎng)易、騰訊傳統(tǒng)四大門戶以及一點(diǎn)資訊等主流新聞閱讀平臺都開始使用算法推薦和信息流推送這種思路進(jìn)行閱讀推薦。雖然這幾個閱讀平臺背后的推薦機(jī)制各有不同，但是都是試圖構(gòu)建基于用戶閱讀興趣的社交圖譜，利用閱讀興趣的社交網(wǎng)絡(luò)獲取信息長尾中的內(nèi)容進(jìn)行個性化推薦。

算法推薦的技術(shù)價值雖大，但把閱讀的決策權(quán)交給算法推薦終究不如還給“人的推薦”要來的靠譜。其實(shí)搜狐總裁張朝陽在這次復(fù)出“再造門戶”時談到了這個問題。內(nèi)容消費(fèi)包括板塊消費(fèi)和個性化消費(fèi)。板塊消費(fèi)的特點(diǎn)基本是頭部消費(fèi)，由編輯推薦的，這個板塊要由有限的人工做成。個性化消費(fèi)，這是長尾消費(fèi)，根據(jù)讀者的消費(fèi)習(xí)慣來算法推薦。

張朝陽在修養(yǎng)過程中對世界確實(shí)有著冷靜的思考，為解決算法推薦的弊端他采用的方式是用戶在客戶端看到的前100條新聞，是由搜狐編輯人工編輯的新聞，其余的“下拉一下”，就會呈現(xiàn)出根據(jù)每一個用戶平時瀏覽新聞喜好、習(xí)慣留下的印記而智能推薦的個性化新聞。

這樣的解決思路有一定合理性。對于用戶零碎時間進(jìn)行閱讀的人群來說，兼顧了“有態(tài)度”和“個性化”這兩個要求。但對于有主見的閱讀群體來說，實(shí)際上他們更希望閱讀掌握在自己手中，編輯推薦依舊不夠“個性化”，因?yàn)榫庉嬰m然具有專業(yè)性，卻始終摸不透內(nèi)容消費(fèi)者的心，唯有把閱讀的選擇權(quán)交給讀者，這才是真正的“個性化”。

總結(jié)：

顯然，“推薦算法”并不是幫助我們發(fā)現(xiàn)人生的理想方法。一方面，它會局限我們感興趣的領(lǐng)域，阻止我們發(fā)現(xiàn)新的精彩——算法的準(zhǔn)確性是可以被數(shù)字衡量的，10%的提升價值100萬美元，而多樣性和新穎性卻沒有任何適用的數(shù)學(xué)標(biāo)準(zhǔn)；另一方面，它也不懂得節(jié)制，當(dāng)推薦太過泛濫時，它無法從中篩選出“你可能更感興趣”的東西。

事實(shí)上，這段被打扮成“知音”的程序，并不能幫你解決任何決策效率或是增長見識的問題，它的真正職責(zé)是幫助它的雇主賺更多的錢——“新聞推薦”、“電影推薦”將你的注意力更長時間地留在了他們的網(wǎng)站上，而Amazon的書籍推薦也的確讓我在上面花了更多的錢。

讓機(jī)器做出正則判斷很簡單，但是讓機(jī)器綜合心理學(xué)、社會學(xué)乃至某細(xì)分領(lǐng)域內(nèi)的規(guī)則做出判斷則很難。筆者更愿意相信，我的大腦比任何“推薦算法”都要高級一些。