​移动互联网时代，我们随时随地都在获取各类不同的资讯——财经、军事、时政、娱乐八卦。获取的平台也五花八门——微博、微信、今日头条、一点资讯及各大门户网站。从而导致对资讯的真实性和准确性的辨别无力。更为头疼的是，很多资讯被重复推送，甚至被粗加工后形成二次传播，严重消耗着我们的精力，比如前段时间一条新闻——美国得克萨斯州科珀斯—克里斯蒂市一家银行的一台自动取款机（ATM）竟然在11日吐出了字条，上面写着“救我”，这条新闻很快传遍中文网络，成为许多网站的头条。你需要从N个网站上看到一模一样的文章吗？这些冗余的信息消耗了你的精力和流量，就像你打开任何一个电视频道，都能看到许多方便面广告一样，让人很难从大量的信息中快速找到自己想要的内容。

如何解决用户信息冗余的尴尬？

过去曾经有许多不成功的技术方案，个人门户昙花一现，RSS订阅不成气候，跨站跟踪上不了台面。能引领未来者，只有C2M。 在AI时代，我们需要重新理解和认知内容C2M（单用户沟通）的机制和规律，去检讨传统传播理论的不足以及公共危机的管理方法，进而思考如何赢得沟通--要站在单个用户的角度来进行个体化沟通，而不是千人一面的宣灌或传播。

C2M模式可以像今日头条这样应用于全网，也可以像Facebook那般基于巨头的平台。其核心就在于基于用户行为习惯、特征和诉求，对海量的信息进行提取、分拣然后传递给用户，这是克服痛点的秘密。

但质疑的声音也不少。比如有观点认为，协同过滤这样的推荐容易让用户形成信息茧房、无法识别阅读场景、即时性差、耗时长等缺点，而今日头条这样的模式也常常被诟病，还要应付难以捕捉的用户兴趣、用户数据的隐私和管理等多项挑战。

支持和质疑各执一端，孰是孰非？未来虽有两大机遇，但是目前要跨越三座大山。

1. 支持的理由如下：

① 千人千面，众口可调。

个性化的内容推荐机制能够根据用户的喜好为其推荐信息。通过各种算法，通过分析用户的历史行为，对比相关用户和相关物品猜测用户可能喜欢的内容，列出候选集并进行验证，用户可以得到较为准确的内容，使信息分发做到千人千面，实现内容与用户的精准连接，而不是传统意义上的千人一面般的投放。

② 海里捞针，提高效率

个性化推荐省去了用户在海量信息中进行提取和搜寻的环节。用户无需在海量信息中摸针，在一定程度上为用户去除了部分无用信息，缩小了用户信息搜索的范围，提高了用户的阅读效率。

③ 投其所好，增强粘性

不断为用户推荐适合他的内容能够增加用户粘性。个性化推荐技术通过算法进行用户感兴趣的内容的精准推荐，帮助用户快捷发现感兴趣的内容，当你看完一个内容后，会立马给你推荐相关的东西，可以增加用户粘性，提高用户体验。

④ 挖掘长尾，打破两极

个性化推荐能够通过相关算法帮助用户挖掘长尾内容，避免两极分化的马太效应。当A用户喜欢比较冷门的长尾内容，而B用户又有跟A用户有相同或相似的兴趣和行为习惯时，系统就能够把A用户喜欢的冷门内容推荐给B用户，这样就使冷门内容得到更多的曝光，帮助用户发现更多的长尾内容，避免内容生产生态两极分化。

⑤ 双向交流，深度优化

基于用户进行个性化推荐是对用户进行深度分析和交流的结果，提升了用户的交互式体验。传统的人工推荐是遍地撒网地推荐，没有对用户进行细致地划分和筛选，机器推荐以用户特点和习惯为基础进行推荐，用户能够得到双向的交流和沟通，用户的行为也能对下一步的推荐产生影响，在一定程度上得到了反馈，提升了用户的交互式体验。

⑥ 分门别类，运营细化

个性化推荐也有利于平台对内容进行分类，从而利于平台精细化管理和运营。信息时使得平台不断涌现，各种形式的内容越来越丰富，用户手机端展示的区域有限，个性化推荐能够使商家更好地针对不同客户对内容进行分类，有利于精细化运营。

2. 质疑的观点主要有：

① 画地为牢，思维设限

个性化新闻体验容易让思想裹足不前。个性化推荐的结果是基于用户的历史数据和历史行为，基于相似用户或者相似物品进行的推荐，在一定程度上将用户感兴趣的内容固定在一个特定的闭环里，在为用户筛选信息的同时也为用户隔断了很多信息。个性化推荐的内容采集自你的兴趣，又决定了你的兴趣。因此，无法接触“新”事物自然就不能培养新的兴趣，容易让用户越来越狭隘。

② 人心变幻，机器何解

机器推荐无法识别阅读场景的变化而带来的需求的变化，无法感知用户为什么需要阅读，难以匹配人类情感的复杂程度。例如在某一个阶段，我们因为大家都在讨论某件事而去关注这件事，但这并不意味着我们对类似的事情都感兴趣。

③ 审美下线，好坏难分

个性化推荐的难度对推荐内容的质量带来了挑战。以往评价一篇文章的好坏对编辑来说都没那么容易，如今机器推荐很容易忽略质量这一维度。机器算法不准确会使标题党内容混杂出现，机器推荐可能会把一篇没有价值的文章推荐的很高，也有可能把真正有价值的文章埋没掉，机器推荐只能从外部数据来衡量你的文章有没有价值，目前还没有办法从内容的本质上分析有没有价值。

④ 耗时较长，总慢半拍

基于海量数据的个性化推荐行为耗时较长，即时性较差。如新闻推荐存在及时性问题，需要不断更新，通过分析用户的历史行为、对比类似用户等数据分析工作耗时较长，不易在第一时间形成推荐结果。并且协同过滤等方法还存在冷启动的问题，即在用户体验之初，并未形成成熟的历史数据时，需要经过很长的时间收集用户点击日志数据，从而产生推荐。

⑤ 热点共通，个体趋同

并不是所有的用户都彼此相等，但协同过滤方法不考虑用户之间的个体差异。例如，我们观察到娱乐新闻不断推荐给大多数用户，即使用户不点击娱乐的故事。原因是，娱乐新闻一般都是非常流行的，因此总是从一个用户的“邻居”的娱乐故事足够的点击进行推荐。

3. 未来的机遇在哪里？

未来的机遇在于两大推动力：业界对长尾金矿的商业动力；用户强烈的个性化需求的推动。

① 长尾金矿

个性化推荐能够帮助用户发现更多优质的长尾内容，提高平台商业价值。一般平台用户访问的只局限在热门的10%左右的内容，很多小众的、冷门的内容却沉在数据库中不易被发现，我们将其称之为长尾内容。

按长尾理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。个性化推荐能够通过协同过滤中基于用户的推荐技术将小众喜欢的长尾内容扩散开来，充分挖掘长尾内容，产生长尾金矿。

② 时代刚需

我们所处的时代已经变化了。经过20年发展，互联网变成了移动互联网，现在即将融合AI进入IOT时代，终端和信息正在以核爆的态势发生急剧膨胀，用户在海量的数据中想要找到他们需要的信息将变得越来越难。在这种情况下，传统的搜索引擎已经力不从心。早先最具代表性的就是分类目录的雅虎和搜索引擎的谷歌，已经进入死胡同，想要通过搜索引擎去了解一个陌生领域的知识，效率极低！

要满足时代刚需，希望在于个性化推荐。机器需要尽可能的了解用户，并且根据用户的数据，主动推荐让用户有兴趣和需求的信息。目前这20来年，虽说取得了一点点成就，但仅仅是唐僧取经迈出了第一步，还有很长的路要走。

4.当下需要跨越的三座大山

个性化推荐在发展过程中面临很多诸如难以预测用户兴趣、用户相关数据涉及隐私以及数据的处理难度等问题，都给个性化推荐带来了很大的威胁和挑战。

第一座山，准确。

用户的兴趣易受多重因素影响而不断变化，这对个性化推荐来说是个不可避免的挑战。个性化推荐系统的基础部分是用户兴趣建模，用户兴趣建模的质量直接决定了个性化推荐的质量。但是用户兴趣随时都会受到社交、场景、环境等多重因素影响，用户兴趣地不断变化使得根据以往数据预测用户未来倾向的工作变得很难，也会影响推荐结果的准确性。

第二座山，隐私。

对以用户数据为基础进行的个性化推荐来说，如何保护用户隐私是个不小的难题。传统的内容推荐系统对用户的页面访问记录进行数据挖掘,找出用户的访问习惯,然后在服务器端根据用户需求进行信息筛选，试图为用户提供信息推荐服务和垃圾信息过滤服务。但如何能在保护用户隐私的同时,又为用户提供更准确的内容推荐服务是一个不小的挑战。

第三座山，价值观。

除了三座大山外，还有一个问题也值得重视。现在的机器推荐等于“没有三观”、“没有审美”，在中文圈运营，由于众所周知的原因，一定会遇到相当的挑战。

流量造假和作弊是比较明显的例子。比如有网友说：网上经常看到一些视频学习人数几万、几十万，数字大的得令我们怀疑人生，结果测试了一下，页面刷新一次人数就加三而新课程加几十，瞬间明了。半夜测试某些视频直播，对着墙拍，从启动直播十分钟直播粉丝还能蹭蹭往上涨，进一个真粉丝时人数又一波涨，作弊一时爽，但心里不踏实。

曾经有企业在智能推荐的客户端上投过一些非常垂直大号的广告，有的效果真好，有的造假太明显---在阅读量瞬间破万的时候带过来的流量，还不如自己阅读破千的号效果好。如此种种，数据是正经的，就看用它的人正经不正经了。

未来，个性化推荐如何在技术和管理上继续革新，人工智能因素的参与能否改善现存的诸多问题，为用户产生更优质的推荐结果将成为一个重要课题。（整理于网络）