"Times New Roman", Times, serif; align="center">自说自话：内容推荐 两面性

在Web1.0时代 网站, 内容推荐大多以排行榜等简单 数据统计来实现流行内容 呈现. 随着Web2.0 兴起, 微内容聚合和个性化定制 普遍应用促使内容推荐有更优秀 解决方案. 曾跟朋友谈起一个话题：内容推荐 放大了用户 信息面还 缩小了？如果把内容推荐理解 解决用户"信息过载”问题 话, 那显然该 帮助用户精准定位他所需要 内容. 但 从用户需求层面去考虑 话, 除了有要过滤部分不感兴趣 内容以外, 自然 有获取新内容 需求. 譬如有用户经常看科幻电影, 那可能 因 他对这些信息了解多, 他同样可能会成 恐怖电影 爱好者, 前提 需要获得更多 内容信息. 这就需要内容推荐既能实现用户 信息过滤, 又要推送给用户可能会产生兴趣 内容.

列举几个体现这个特性 典型内容推荐例子：

豆瓣：它 推荐有2个主要部分：1 豆瓣猜你会喜欢…2 我 友邻在做什么….前者通过对你阅读过,听过,看过 内容 分析结果来推送, 推送 符合你口味 内容. 而后者则 通过推送与你口味类似 用户所关注 内容来帮助拓宽信息面.

UK版 TechCrunch前几周介绍 myAOL Beta在线feed订阅平台中 2个新闻推荐功能, 分别称 ”Recommended Content”和”People Like Me Content”, 按它对这2功能 解释 跟豆瓣推荐类似.

Last.fm：它 推荐系统似乎 复杂 , 因 它有2个推荐元素, 1 Radio,2 歌曲. 歌曲推送 个大课题, 这儿就说说Radio推荐. Recommended Radio和Neighbour Radio跟豆瓣和myAOL 类似. Loved Radio就等于 用户 收藏品, 而Personal Radio刚好 介于推荐和收藏之间 .

就 说, 内容推荐既要有一定程度 精确性, 又得有它 模糊之处, 关键 得根据内容本身 特性和用户对内容操作 习惯去平衡这个度.