中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

內容并無好壞之分，你所厭惡的或許正是他人所喜愛的，因此鑒于個人愛好而形成的個性化推薦技術就成了內容分發的有效方法。

用戶是一個點，傳統媒體是一個面，傳統媒體不可能只做一個點，而要做到面，就需要“琳瑯滿目”的新聞信息。

互聯網每天產生數以百萬計的信息，這其中充斥著太多的“垃圾”信息，這些東西只會干擾視線、浪費時間。從本質上講，內容本身并無好壞之分，在你看來是垃圾的信息，有時對某些人來說卻很有用，內容永遠只有感興趣和不感興趣兩種。

在這種情況下，基于大數據的個性化推薦仿佛就是一種頗為行之有效的方法了。借助強大的數據采集、分類和提取技術，根據以往的數據為我這個服務對象賦予各種“關鍵詞”，然后再針對這些關鍵詞為我推薦內容。隨著閱讀的時間越長，系統越了解我，推薦的內容就越精準。

在信息匱乏時期，傳統媒體因不知道用戶的信息需求，只能通過海量的新聞向用戶推送，讓用戶在海量的新聞流當中找到自己需要的新聞進行點擊。用戶是一個點，傳統媒體是一個面，傳統媒體不可能只做一個點，而要做到面，就需要“琳瑯滿目”的新聞信息。

“個性化推薦”早就不是早期的一兩個新聞客戶端產品的專利了，可能在口號上沒有喊出來，但是在產品當中體現的是淋漓盡致，從首頁到頻道頁都在走個性化推薦這條路線。

用戶需求的進化，從無到有、從有到優

我們每個人都有針對語音、圖片、文字、視頻甚至是更多的介質的訴求，不過在產品上是單一的，圖片、語音、文字、視頻等是被固定的，用戶的選擇有限，個性化推薦很難在這些產品上出現。

客戶端不同，它是移植PC端的模式，只要將PC端的內容放到手機端能夠讓用戶方便瀏覽即可。問題來了，手機端的屏幕更小，在瀏覽習慣上和門戶有很大差異，這就要求客戶端產品必須和PC端不同。

大部分的新聞內容對于單個點上的用戶是無效的，用戶再在海量的信息流中找到想要的新聞信息，就得走個性化推薦的模式。

與其說是新聞客戶端產品創新走出個性化推薦模式，不如說是新聞客戶端被逼的走個性化推薦模式，畢竟不可能再有海量的信息向用戶推送了。百度新聞、搜狐新聞、網易新聞、今日頭條等新聞客戶端產品都有個性化推薦的影子。

App的封閉特性對內容形態的影響

沒有一模一樣的人，也很難有一模一樣的用戶需求。淘寶、京東、優酷、微信、百度等分別滿足了不同的用戶訴求。在PC產品形態上，鏈接間互相跳轉相對簡單，各網站保持了自己的垂類特性。

在App中，由于移動移動OS設計特性，每一個獨立的App都是獨立的，App之間沒有任何鏈接，用戶無法從一個垂類中進入另外一個垂類，這樣的設計對用戶造成了極大不便，可以預見每個資深智能機用戶桌面都會有海量App分組。

在新聞客戶端中，為了適應不同用戶的不同點，需要為用戶提供盡可能大而全的內容，從而延長用戶的使用生命周期。

個性化推薦在新聞客戶端上的主要形態

以向每個用戶推送不同的信息流為主，即每個用戶的信息流主頁里的信息是不相同的，可能是社會新聞居多，可能是體育新聞居多，可能是科技新聞居多。新聞客戶端產品會根據用戶的點擊喜好以及瀏覽喜好等進行分析，圍繞用戶建立符合用戶需求的瀏覽主頁，而不是“千人一面”的主頁，是“千人千面”的主頁。

除內容外，每個用戶呈現的廣告內容也是不盡相同的，用戶難得的享受了一次在廣告上的“個性化”。

個性化推薦會不會取代網絡編輯？

新聞客戶端產品使用個性化推薦技術以后，編輯的作用似乎在下降，只要機器能夠自動獲取到足夠的信息量，完全不需要編輯來制造內容，但是這個是建立在能夠有海量的信息給予機器獲取的基礎上。個性化推薦會取代編輯嗎？

在當前來看，這是個偽命題。至少內容還是需要有人來做，機器以及技術是無法制造內容的，比如專題制作，比如優質內容制造，最新的內容制作，必須要有人才能做到。個性化推薦優化的是內容，讓用戶看到想看的內容，在這一點上我們不能混淆了。

新聞客戶端面臨的大問題：信息的審查

越來越多的虛假信息以及敏感信息等混雜在信息流中，通過新聞客戶端推送給用戶，平臺方肯定是有責任和義務來處理掉這些虛假信息的。

現在的技術還無法在反作弊功能上做的很好，僅僅只能通過關鍵詞過濾技術過濾掉一些垃圾信息而已，稍微復雜一點的技巧，機器都需要很久才能識別過濾，而人工的速度則快的多。讓人憂心的是，不少新聞客戶端產品完全沒有內容審查這一關，甚至沒有內容審查這一部門，雖然他們不是內容制造者，但是作為傳播者，是有義務和責任來為他們傳播的內容負責的，在這一點上，只有人工會更謹慎。

無法感知興趣之外，可能讓我們越來越狹隘

個性化推薦貌似很懂我，能夠精準的猜測出我最喜歡閱讀的內容，且不說這種做法是否足夠科學、其背后的評價機制是否有效，就算它科學有效，這是不是意味著“我只喜歡看同一類內容”呢？

倘若我們一直接收的都是符合喜好的內容，則很有可能陷入危險境地。這種推薦看似人性化，實則在閹割新聞。用戶生活在自我的世界，無法感知興趣之外的“新”事物。而無法接觸“新”事物自然就不能培養新的興趣。個性化新聞體驗采集自你的興趣，又決定了你的興趣。用戶最終淪為井底之蛙。

新聞除了讓人感知世界外，還能啟迪思想。讓人擔心的是，個性化新聞體驗讓思想裹足不前。

個性化推薦要與社交相結合、互動性

人人都是自媒體的時代，即使再渺小的個體都可能成為一個新聞源，以前的媒體是傳播節點，現在變成的具體的個人。大部分新聞客戶端因為沒有收錄這些內容，很可能造成一種情況，我們的信息流動速度嚴重滯后于他人。我們無法感知新聞事件背后人們情緒的變化，而這恰恰是我們為什么要閱讀某類新聞的原因所在。

人們基于彼此的共性，彼此對同樣感興趣的內容進行推薦和討論，我們稱為「社交」。目前看來，現有「個性化閱讀」的產品，想要解決的問題，豆瓣和新浪微博之類已經解決的很好。這些產品天然的社交推薦機制，要比各種產品的「推送」來得更加準確、合理。

基于內容的個性化推薦

一般來說，如果是推薦資訊類的都會采用基于內容的推薦，甚至早期的郵件過濾也采用這種方式?；趦热莸耐扑]方法就是根據用戶過去的行為記錄來向用戶推薦相似的內容。簡單來說就是你常常瀏覽科技新聞，那就更多的給你推薦科技類的新聞。

復雜來說，根據行為設計權重，根據不同維度屬性區分推薦都是麻煩的事，常用的判斷用戶可能會喜歡推薦品程度的余弦向量公式長如下：

這種算法缺點是由于內容高度匹配，導致推薦結果的驚喜度較差，而且有冷啟動的問題，對新用戶不能提供可靠的推薦結果。只有維度增加才能增加推薦的精度，但是維度一旦增加計算量也成指數型增長。定義風格也不是一件容易的事，同一個作者的文風也會發生改變。

個性化推薦未來還有更多路要走

繼新聞客戶端之后，會有越來越多的產品走上個性化推薦這條路，沒有人喜歡“千人一面”的東西?；趯γ總€用戶習慣的了解和探索，會讓用戶享受到更好的服務。

最好的推薦效果是像一個了解你的朋友一樣跟你推薦，因為他知道你喜歡什么，最近對什么感興趣，也總能發現一些有趣的新東西。這讓我想到有一些朋友總會興致勃勃的過來說，嘿，給你推薦個東西，你肯定喜歡。

作者：KillerTop

來源：http://www.jianshu.com/p/792b632f343a

本文由@KillerTop 授權發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自PEXELS，基于CC0協議