算法推荐阅读的冷思考——自我选择才是真正的“个性化”

随着互联网大数据时代的到来，不管愿意还是不愿意，大数据正在影响着我们的阅读习惯。以用户社交网络为基础和用户信息流为载体的阅读平台悄然诞生，以“今日头条”为代表的阅读软件在不知不觉中生长出了“个性化阅读”的萌芽。

不可否认，算法推荐的出现，是外部环境，技术成熟和用户需求三方面共同作用下出现的必然产物。将阅读的主动权交给算法推荐，这种阅读习惯也确实迎合了用户行为习惯。但这种阅读习惯正在带来诸多弊端，这些弊端正使得“个性化阅读”这个美好的口号变得不那么现实和性感。

在这里笔者不得不谈一谈自己在使用“今日头条”时遭遇的尴尬：

笔者是一位互联网行业媒体人，自然对自己所在的媒体有着较多的关注。笔者又恰好负责该媒体的一个栏目，所以对该栏目也有着特别的关注。与此同时，笔者还是一位资深“米粉”，偏爱小米的新闻，每当小米出现新鲜资讯时总会特别关心。

于是笔者“今日头条”的使用场景是这样的——每天进入“今日头条”的订阅板块，看自己所在媒体有哪些稿件被采集了，每篇稿件阅读量是多少，而且尤为关注的自己负责的栏目。而当在科技栏目出现有关小米的新闻时，笔者也会点进去看一看。

这样的使用习惯让笔者在“今日头条”的过程中很尴尬：每次进入客户端时，推荐板块连续六七条新闻全是笔者负责的那个栏目，而且有关小米的新闻也异乎寻常的多。这使得笔者在“今日头条”上的阅读变得越来越单一呆板。

单一的算法推荐和信息流推送对于笔者这种重度阅读用户来说也带来了信息量过大、内容过于杂乱、信息价值不高等问题。整个新闻客户端显得像是一个菜市场，没有态度、没有风格，阅读体验很差，呈现了碎片化的特点。

算法推荐的冷思考

为什么算法推荐阅读会出现如此尴尬的现象呢？这里我们要从算法推荐的逻辑讲起：

机器只是从关键字，字面上的匹配检索来达到统计推荐的，对于文学作品或是新闻报道这类艺术性、专业性很强的内容来说不能保证推荐出来的质量。另外算法方面，总的来说现在主要还是基于统计与匹配检索，主要的搜索因素都是你个人关注的信息类型、标签之类的东西，很难达到推荐效果。

一千个人眼里有一千个哈姆雷特，但是计算机只有只有一个。算法开发者在以他的思维机械化的统计出的关键字，然后来推荐给你，在有着博大精深的中文文字文化底蕴的中国，这种推荐算法很难让人让人满意。

另外补充一点，并不是说内容消费者只关注一个点，推荐的内容能够准确命中这个点之后就是算法推荐的成功。这个还要取决于推荐的机制里对于内容如何去定位其价值所在。阅读这种雅兴行为注重的是对个人的提升和启发，长期重复关注一个点会将内容消费者的思维逐渐固化，不利于阅读的拓展。

在这里笔者并不是否认“今日头条”的算法推荐。算法推荐的技术思考无疑是极具前瞻性的。但摆出这些问题笔者是希望能够冷静理性思考如今算法推荐陷入的技术陷阱。

选择权还给“人”，这才是真正的“个性化”

“今日头条”头条的巨大成功之下，如今搜狐、新浪、网易、腾讯传统四大门户以及一点资讯等主流新闻阅读平台都开始使用算法推荐和信息流推送这种思路进行阅读推荐。虽然这几个阅读平台背后的推荐机制各有不同，但是都是试图构建基于用户阅读兴趣的社交图谱，利用阅读兴趣的社交网络获取信息长尾中的内容进行个性化推荐。

算法推荐的技术价值虽大，但把阅读的决策权交给算法推荐终究不如还给“人的推荐”要来的靠谱。其实搜狐总裁张朝阳在这次复出“再造门户”时谈到了这个问题。内容消费包括板块消费和个性化消费。板块消费的特点基本是头部消费，由编辑推荐的，这个板块要由有限的人工做成。个性化消费，这是长尾消费，根据读者的消费习惯来算法推荐。

张朝阳在修养过程中对世界确实有着冷静的思考，为解决算法推荐的弊端他采用的方式是用户在客户端看到的前100条新闻，是由搜狐编辑人工编辑的新闻，其余的“下拉一下”，就会呈现出根据每一个用户平时浏览新闻喜好、习惯留下的印记而智能推荐的个性化新闻。

这样的解决思路有一定合理性。对于用户零碎时间进行阅读的人群来说，兼顾了“有态度”和“个性化”这两个要求。但对于有主见的阅读群体来说，实际上他们更希望阅读掌握在自己手中，编辑推荐依旧不够“个性化”，因为编辑虽然具有专业性，却始终摸不透内容消费者的心，唯有把阅读的选择权交给读者，这才是真正的“个性化”。

总结：

显然，“推荐算法”并不是帮助我们发现人生的理想方法。一方面，它会局限我们感兴趣的领域，阻止我们发现新的精彩——算法的准确性是可以被数字衡量的，10%的提升价值100万美元，而多样性和新颖性却没有任何适用的数学标准；另一方面，它也不懂得节制，当推荐太过泛滥时，它无法从中筛选出“你可能更感兴趣”的东西。

事实上，这段被打扮成“知音”的程序，并不能帮你解决任何决策效率或是增长见识的问题，它的真正职责是帮助它的雇主赚更多的钱——“新闻推荐”、“电影推荐”将你的注意力更长时间地留在了他们的网站上，而Amazon的书籍推荐也的确让我在上面花了更多的钱。

让机器做出正则判断很简单，但是让机器综合心理学、社会学乃至某细分领域内的规则做出判断则很难。笔者更愿意相信，我的大脑比任何“推荐算法”都要高级一些。