"Times New Roman", Times, serif; align="center">自說自話：內容推薦 兩面性

在Web1.0時代 網站, 內容推薦大多以排行榜等簡單 數據統計來實現流行內容 呈現. 隨著Web2.0 興起, 微內容聚合和個性化定制 普遍應用促使內容推薦有更優秀 解決方案. 曾跟朋友談起一個話題：內容推薦 放大了用戶 信息面還 縮小了？如果把內容推薦理解 解決用戶"信息過載”問題 話, 那顯然該 幫助用戶精準定位他所需要 內容. 但 從用戶需求層面去考慮 話, 除了有要過濾部分不感興趣 內容以外, 自然 有獲取新內容 需求. 譬如有用戶經�？纯苹秒娪�, 那可能 因 他對這些信息了解多, 他同樣可能會成 恐怖電影 愛好者, 前提 需要獲得更多 內容信息. 這就需要內容推薦既能實現用戶 信息過濾, 又要推送給用戶可能會產生興趣 內容.

列舉幾個體現這個特性 典型內容推薦例子：

豆瓣：它 推薦有2個主要部分：1 豆瓣猜你會喜歡…2 我 友鄰在做什么….前者通過對你閱讀過,聽過,看過 內容 分析結果來推送, 推送 符合你口味 內容. 而后者則 通過推送與你口味類似 用戶所關注 內容來幫助拓寬信息面.

UK版 TechCrunch前幾周介紹 myAOL Beta在線feed訂閱平臺中 2個新聞推薦功能, 分別稱 ”Recommended Content”和”People Like Me Content”, 按它對這2功能 解釋 跟豆瓣推薦類似.

Last.fm：它 推薦系統似乎 復雜 , 因 它有2個推薦元素, 1 Radio,2 歌曲. 歌曲推送 個大課題, 這兒就說說Radio推薦. Recommended Radio和Neighbour Radio跟豆瓣和myAOL 類似. Loved Radio就等于 用戶 收藏品, 而Personal Radio剛好 介于推薦和收藏之間 .

就 說, 內容推薦既要有一定程度 精確性, 又得有它 模糊之處, 關鍵 得根據內容本身 特性和用戶對內容操作 習慣去平衡這個度.