在Web1.0时代的网站，内容推荐大多以排行榜等简单的数据统计来实现流行内容的呈现。随着Web2.0的兴起，微内容聚合和个性化定制的普遍应用促使内容推荐有更优秀的解决方案。曾跟朋友谈起一个话题：内容推荐是放大了用户的信息面还是缩小了？如果把内容推荐理解为是解决用户“信息过载”问题的话，那显然该是帮助用户精准定位他所需要的内容。但是从用户需求层面去考虑的话，除了有要过滤部分不感兴趣的内容以外，自然也有获取新内容的需求。譬如有用户经常看科幻电影，那可能是因为他对这些信息了解多，他同样可能会成为恐怖电影的爱好者，前提是需要获得更多的内容信息。这就需要内容推荐既能实现用户的信息过滤，又要推送给用户可能会产生兴趣的内容。
列举几个体现这个特性的典型内容推荐例子：
豆瓣：它的推荐有2个主要部分：1是豆瓣猜你会喜欢…2是我的友邻在做什么….前者通过对你阅读过、听过、看过的内容的分析结果来推送，推送的是最符合你口味的内容。而后者则是通过推送与你口味类似的用户所关注的内容来帮助拓宽信息面。
UK版的TechCrunch前几周介绍的myAOL Beta在线feed订阅平台中也2个新闻推荐功能，分别称为”Recommended Content”和”People Like Me Content”，按它对这2功能的解释也跟豆瓣推荐类似。
Last.fm：它的推荐系统似乎是最复杂的，因为它有2个推荐元素，1是Radio,2是歌曲。歌曲推送是个大课题，这儿就说说Radio推荐。Recommended Radio和Neighbour Radio跟豆瓣和myAOL也是类似。Loved Radio就等于是用户的收藏品，而Personal Radio刚好是介于推荐和收藏之间的。
也就是说，内容推荐既要有一定程度的精确性，又得有它的模糊之处，关键是得根据内容本身的特性和用户对内容操作的习惯去平衡这个度。
随机日志
Comments RSS TrackBack Identifier URI
发表评论
2条评论