算法推薦閱讀的冷思考——自我選擇才是真正的“個性化”

隨著互聯網大數據時代的到來，不管愿意還是不愿意，大數據正在影響著我們的閱讀習慣。以用戶社交網絡為基礎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，算法推薦的出現，是外部環境，技術成熟和用戶需求三方面共同作用下出現的必然產物。將閱讀的主動權交給算法推薦，這種閱讀習慣也確實迎合了用戶行為習慣。但這種閱讀習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實和性感。

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：

筆者是一位互聯網行業媒體人，自然對自己所在的媒體有著較多的關注。筆者又恰好負責該媒體的一個欄目，所以對該欄目也有著特別的關注。與此同時，筆者還是一位資深“米粉”，偏愛小米的新聞，每當小米出現新鮮資訊時總會特別關心。

于是筆者“今日頭條”的使用場景是這樣的——每天進入“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，而且尤為關注的自己負責的欄目。而當在科技欄目出現有關小米的新聞時，筆者也會點進去看一看。

這樣的使用習慣讓筆者在“今日頭條”的過程中很尷尬：每次進入客戶端時，推薦板塊連續六七條新聞全是筆者負責的那個欄目，而且有關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，沒有態度、沒有風格，閱讀體驗很差，呈現了碎片化的特點。

算法推薦的冷思考

為什么算法推薦閱讀會出現如此尷尬的現象呢？這里我們要從算法推薦的邏輯講起：

機器只是從關鍵字，字面上的匹配檢索來達到統計推薦的，對于文學作品或是新聞報道這類藝術性、專業性很強的內容來說不能保證推薦出來的質量。另外算法方面，總的來說現在主要還是基于統計與匹配檢索，主要的搜索因素都是你個人關注的信息類型、標簽之類的東西，很難達到推薦效果。

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

另外補充一點，并不是說內容消費者只關注一個點，推薦的內容能夠準確命中這個點之后就是算法推薦的成功。這個還要取決于推薦的機制里對于內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，長期重復關注一個點會將內容消費者的思維逐漸固化，不利于閱讀的拓展。

在這里筆者并不是否認“今日頭條”的算法推薦。算法推薦的技術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陷阱。

選擇權還給“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、網易、騰訊傳統四大門戶以及一點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行閱讀推薦。雖然這幾個閱讀平臺背后的推薦機制各有不同，但是都是試圖構建基于用戶閱讀興趣的社交圖譜，利用閱讀興趣的社交網絡獲取信息長尾中的內容進行個性化推薦。

算法推薦的技術價值雖大，但把閱讀的決策權交給算法推薦終究不如還給“人的推薦”要來的靠譜。其實搜狐總裁張朝陽在這次復出“再造門戶”時談到了這個問題。內容消費包括板塊消費和個性化消費。板塊消費的特點基本是頭部消費，由編輯推薦的，這個板塊要由有限的人工做成。個性化消費，這是長尾消費，根據讀者的消費習慣來算法推薦。

張朝陽在修養過程中對世界確實有著冷靜的思考，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”，就會呈現出根據每一個用戶平時瀏覽新聞喜好、習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行閱讀的人群來說，兼顧了“有態度”和“個性化”這兩個要求。但對于有主見的閱讀群體來說，實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”，因為編輯雖然具有專業性，卻始終摸不透內容消費者的心，唯有把閱讀的選擇權交給讀者，這才是真正的“個性化”。

總結：

顯然，“推薦算法”并不是幫助我們發現人生的理想方法。一方面，它會局限我們感興趣的領域，阻止我們發現新的精彩——算法的準確性是可以被數字衡量的，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學標準；另一方面，它也不懂得節制，當推薦太過泛濫時，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。

讓機器做出正則判斷很簡單，但是讓機器綜合心理學、社會學乃至某細分領域內的規則做出判斷則很難。筆者更愿意相信，我的大腦比任何“推薦算法”都要高級一些。