沈凌莉：个性化推荐阅读中的长尾信息
“自媒体”又火了!这几天这个词儿在媒体人当中出现的频率非常高，甚至有媒体以“千万收入不是梦”为标题评论自媒体的价值。怎么火起来的?据说是因为两个消息触发的——程苓峰的微信公共账号“云科技”试水微信广告，一万元一天，两个半月狂赚十三万大洋的战绩点燃了一向付出与收获不成正比的写字人成为“赚稿人”的希望;前《钱江晚报》记者潘越飞写了篇《告别辞：你好!(自媒体!)再见(传统媒体!)》，咬牙跺脚的姿势引发了媒体人对自身前途担忧的共鸣。一喜一忧的对比下，让媒体人仿佛看到了一线光明。更为重要的是，自媒体—— Self Media，仿佛给人一种感觉，那就是不仅是传统的媒体人，似乎人人都能从自媒体的盛宴中分得一杯羹。
比起前几年博客的一阵火热，这一波儿有微博营销造富在先，又有微信这个正如日中天的平台，自媒体的这轮的火爆自然势不可挡。但是作为一个信息需求者，我感到越发茫然。信息真是越来越多了，也将越来越分散了，以后找对我而言有价值的信息恐怕会越来越难了。怎么办?个性化推荐并不新鲜的领域又让我充满了期待。
目前，大致划分一下，力图做个性化信息推荐的产品不在少数，国外像Zite、Fliboard、Zaker，国内有像我们报道过的无觅、简网、指阅等，基于数据分析，根据用户的兴趣喜好和历史行为来推荐用户可能会喜欢的信息。但个性化推荐阅读似乎普遍不被外界看好，尤其是在资本市场上，Zite的市值只有Fliboard的十几分之一。为什么?从推荐结果上看，现在所谓的个性化推荐大多还是难逃“二八定律”，无论是大众领域还是垂直行业，始终是热门媒体的热门信息排在前面;从生意角度，个性化推荐不被认为是一个赚钱的生意。
曾跟做个性化推荐产品的朋友聊，他们的产品做了2年，但离他自己预想中的理想状态总是有差距，他坦言，做这类产品最难的长尾信息的推荐。其实，这并不只是他一家的问题。现在的这类推荐产品，严格来讲，大多只能称得上是协同过滤，离真正的千人千面的个性化推荐距离还是很大的。从技术角度来讲，有几个突出的难题：
(1) 用户行为数据积累。机器学习已经不是令人生疏的概念，但这需要大的用户基数和用户活跃度。尤其是在前期，推荐和数据积累几乎是个一边造鸡一边造蛋的过程。目前许多产品的解决方式是和用户的社会化媒体关联，以获得其行为数据。
(2) 标签的细分程度难以拿捏。标签列地太细分，信息来源太少;列的范围宽一点，推荐的信息很可能过于粗放。
(3) 信息的多样性和准确性的矛盾。纯粹按照个人原始数据来推荐信息，恐怕会囿于用户的个人视野，难以做到信息发现。贸然扩大信息范围，是有很大风险的;但太过于精准的信息，可能并不新颖，对用户并不具有价值。
(4) 另外，从算法上，首先，数据规模越多，其中的关联性会越复杂;用户的选择越多，又意味着用户与用户之间的数据交点越稀疏。而且，当不断有新的用户、新的信息和连接关系时，意味着数据基数又变了。这一点，在批量小、品种多的长尾信息部分体现地越发明显。
但好在技术上的限制总能被突破，至少持续地有改良方案的出现。不过，对长尾信息的推荐不仅仅是个技术问题，其实也是个经营思路的问题，直接关系到盈利模式。试想，新浪微博如果从一开始其运营思路不是“二八定律”，而是“长尾效应”，也就是说不是名人效应的媒体化经营思路，而是像淘宝一样“去中心化”，培育数以万计有特色的草根用户，恐怕新浪微博现在的发展会是另一番景象吧。
在个性化信息经营思路上，豆瓣是个很好的例子。去年初，豆瓣首页改版推个性化推荐，于是，这个人们印象中一直慢吞吞的小清新社区一大步迈向了社会化电商。其社区内容上的衍生价值一下子就体现了出来。尤其是在移动互联网端，APP将个性化推荐与变现更直接地框在了一起，将PC端内容推荐与消费信息之间的隔阂一下子打通了。
只不过，这条路子并不是一蹴而就。豆瓣做了7年社区积累起了用户行为数据，再加上算法技术的精进和下游产业的成熟才能借由个性化推荐迈出社会化电商这一步。这类产品确实难度很大，且要持续性地挣钱在短期内不可能实现，但个性化推荐阅读一定是个刚需，若能做到像科学算命一样的信息推荐，那简直就可以逆天了，我非常愿意付钱。所以，尤其是那些和社交、问答相关的个性化推荐产品，坚持啊!(文/沈凌莉)