個性化閱讀是個笑話嗎？

12-27

"人與人的需求總是不一樣的"是一個正確但很容易引人進坑的話。
本身，優質的東西大部分人都喜歡。比如流行的歌曲、很火的電影。剩下的所謂"個性化空間"，也不一定是個體個性化，比如作為產品經理，會有一些固定的論壇網站大家去看的都差不多。在做個性化推薦上，給這類人打個tag比非得要琢磨清楚單個個體傾向性要簡單有用。
不排除有些人口味獨特，難被歸類，但就小眾了。
在決定做這件事和怎麼做這件事之前，這個空間要分析清楚。——顯得有點廢話了，但「個性化」的確因為太容易讓人直覺上就High了，而一把栽下去。

延展下個性化（不一定是閱讀），比較期待這樣兩件事有人做到更好：
一是場景性個性化。和持續的個性化偏好不同的是，代表的是人在一定時期、在一個完整決策過程循環中所需要的支持。比如最近在弄裝修的，會需要買很多裝修的東西，了解相關信息。但過了這個時期就不需要了。這個裡面不僅是大階段的時效性難把握，細節性的timeline也難把握。比如我都刷完油漆了我不再需要看油漆相關的東西了。
二是基於全新topic的推薦。我並無在這個領域留下蛛絲馬跡，但現在我想進入這個領域了解了，so給我最優質的內容，最快捷的掌握方法吧，甚至能分步驟帶有教育式的給出進階型體驗。

每次看到個性化閱讀這個詞我都想講一件事，我跟我為數不多的幾個朋友有相近的興趣，我們都喜歡某些的美劇小說動漫音樂女人，這大概是我們交往的開始原因之一，我們因此有的聊，但反過來，基於常年慘痛經歷的教訓，我有一個不成文的信條，對於我朋友的推薦，在三分鐘以內忘掉。而我自己，只要別人不問，我基本不主動推薦什麼東西給別人。
這是一種習得性無助，因為我朋友推薦的東西常年命中率太低，而基於關係去認真對待的我又浪費了太多時間。甚至最後產生了某種古怪的逆反情緒，凡是朋友推薦的，我一定不喜歡，而之後我自己意外重新接觸，反而偶爾復活其中的某些，覺得「還不錯」。
然後回過頭來讓我們看看所謂的個性化閱讀，它們中的任何一種，無論是基於歷史演算法還是基於社會化演算法，跟我上面講的這個故事有任何區別么？
在我看來推薦這事跟一個人在某一領域的深入程度有關，當年我剛接觸互聯網，做了十幾年好孩子什麼愛好都沒有的時代，幾乎誰的推薦都能讓我感興趣，而今天，十無中一是常態。這其實很好理解，因為深度往往跟細分程度掛鉤，對於一個青春期沒見過世面的騷年來說，這世界上一切av大抵美好，而對於一個千片閱盡喜歡有劇情色調明快偏好身材嬌小勻稱輪廓柔和喜歡被凌辱但討厭傷害的死m宅男來說，推薦則是幾乎不可能完成的任務。這不只是找出如此細分程度的內容的問題，還有你如何發現如此細分的需求的問題，還有他對以上標籤不同的喚起程度以及對其他非最佳標籤的寬容程度的問題，最關鍵的，我們不是要知道他已知的需求，而是要探究他未知的喜好，這才是整個問題里最無解的一環，所謂人心難測，正在於此。
個性化應該是我們已知以外的某種補充，但現在它恰好無法勝任這種補充身份。或許有一天我們可以做到，但現在，無論是基礎數據量還是演算法，只能讓我感覺這是一個不甚好笑的笑話。我姑且相信在做這件事的諸位做的是一件有意義的事情，我只是不相信這件事現在對我有意義而已。相對於「個性化」，我更關心相同/相近信息過濾，我覺得這才是一個更急迫也更好解決的問題。

以現如今我接觸到兩種閱讀模式來講：

訂閱。我手動訂閱自己喜愛的內容源。
內容推薦(我理解的個性化閱讀)，我先選一些Tag，通過複雜的演算法給我推送內容。

這裡就評述下推薦模式：

你真的推薦更好的內容給我了嗎？我感受不到。
如果我初始Tag選的少，那麼我看到都是雷同的內容，很容易疲倦。

推薦制比訂閱制在技術難度可能難上百倍，但是在體驗上卻無法勝出，或者說讓人感受不到你的好。
對於一個用戶，他無法快速的從內容中分辨出哪種方式更好，抓不住用戶。

個性化閱讀，你說你很好，但是我沒時間感受你的好。

是不是笑話不好說，畢竟每個人笑點不同。但個性化閱讀是假話。

先說字面意思：個性化閱讀是跟個性最無關的閱讀。越有個性的人，越是主動型讀者，也就越不需要程序演算法來幫他推薦該讀什麼。（英文原文 personalized reading 翻譯成「個人化的閱讀」更準確。）甚至，被機器猜中閱讀口味，對於有個性的人來說，有時是一件不爽的事。（「怎麼這麼容易就被妳猜中了！？」）

個性化閱讀，講究的是根據讀者的行爲習慣和過往的閱讀經歷來爲他「定製」內容。這並非新事物。日本漫畫雜誌連載時根據讀者的反饋決定哪部漫畫會被停掉，即爲一例。

網際網路的信徒認爲，用戶做什麼比說什麼更真實地反應了他的意圖。但從目的上講，網際網路產品根據用戶的實際行爲來進行自我調整，與傳統媒體根據用戶用紙筆寫下的意見來進行自我調整，並無二致：都是爲了讓用戶能更多地看到他感興趣的內容，更少看到他不感興趣的內容。

但「興趣」並非靜態的死物。興趣的擴充是保持一個人精神活力的前提。我們說網際網路是革命性的，恰恰就因爲它降低了擴充興趣和視野的成本。革命，是讓本來沒有機會獲得某種東西的人獲得這種機會。網際網路給了我們這個機會。

但網際網路的革命已經結束，如今是收割果實的時代，是個性被共性擠壓的時代。「社交」的火爆很能說明問題。社交的需求源於人的孤獨，目的是尋找共性，而非凸顯個性。

共性是內容可以被定製的前提。爲世界上每一個連網的人單獨定製內容是不可能的，因爲根本就沒有那麼多種獨一無二的內容。甲感興趣的內容，一定也會有別人感興趣。個性化閱讀旨在定義「對某一類內容感興趣的羣體」，並爲他們製造 Eli Pariser 所說的「The Filter Bubble」，一個乾淨無菌的氣泡，將所有被定義爲「我不會感興趣的」內容隔離開來。

當然，被個性化閱讀產品整合的所有媒體本身也都是一個個 Filter Bubble。儘管手法不同，但雜誌主編也像網際網路產品的運營者一樣，研究用戶（讀者）的特點，收集他們的反饋，據此改善產品。《男人裝》的長期讀者知道自己能從新一期《男人裝》上讀到什麼，他的期待會被滿足，更重要的是：他知道自己的期待會被滿足。

恰恰是這種篤定的安全感，讓他產生了衝破 Filter Bubble 的慾望。當我們說「現在的雜誌沒東西看了，還不如上網看」時，表達的難道不正是衝破氣泡的意願嗎？

而現在，個性化閱讀產品要製造新的氣泡，並稱之爲「個性化閱讀」。我不知道題主所謂的笑話是不是這個意思。

接下來最核心的問題是：同一批廣告主，能養活多少層的內容聚合產品？（以後會不會有聚合 Flipboard 和 Zite 的產品出現？）對此我沒有觀點。

個性化閱讀其實就是個性化推薦在閱讀這個領域的實際應用。
如果個性化推薦是個笑話，那你每天用的谷歌淘寶臉書微博，甚至包括本站，都變成笑林廣記了。

以我在較大的互聯網站的工作經驗而言，其實每個人都沒有你以為的那麼「有個性」。
舉個例子，如果大家有仔細關注過Amazon的廣告信的話就會發現，如果你在Amazon上買過很多書，它的推薦相當的精準，經常會讓你有一種「它怎麼會知道我要看這本書」的感覺，其實Amazon只不過用了一個很簡單的CF模型而已。

我以前認為個性化閱讀是個笑話，但自從領悟了Flipboard的個性化用法之後，不再認為是笑話了。
說個很簡單的例子吧，它甚至支持用戶閱讀在微博自設分組中的關注對象的內容。

好像現在打著個性人閱讀的都是搞智能推薦的網站或者應用，但我想說，訂閱類的閱讀應用同樣很個性化。
比如：鮮果聯播，我只訂閱我感興趣的來源。

智能推薦的，比如無覓網，這個算是做得比較好的吧，但我發現它也只是根據我喜歡的文章的來源和類型來推薦，根據關鍵詞推薦應該是有的，但這點做得還很不夠。

用訂閱類的閱讀器，是因為我不想看過太多的不感興趣的文章；用智能推薦類的閱讀器，是因為我怕漏掉一些好文章，或者想通過它發現一些新的東西，就現在的情況而前，漏掉好文章這點是沒法了；
發現一些新東西，有時可以吧。

或者，訂閱類的應用里，增加個「發現」進行智能推薦，就差不多了吧，現在的閱讀還是以訂閱類的為主。

我看了這個問題第一頁各種的回答，得出一個結論，都是他媽的一群不讀書的人在討論讀書的問題。很典型的互聯網產品經理的呆板邏輯。

個性化閱讀應該分為2個方面來討論：1 閱讀者 2 推薦者

對於閱讀者來說，所有的閱讀都他媽是個性的，因為同一本書，同一個人，不同年齡，不同時期，不同心態，不同需求，看出來的感受是不同的，這個經常看書的人會有這個體驗的。那麼誰敢說有共性？就算是四爺的粉絲，你去問問他們對於四爺的書，看的感受是不是一樣，都會不一樣的，有可能在描述表達的時候都會說：「我愛四爺，所以這就是四爺的調調」但是問深了，結論肯定是一個人一個感受，這就說明閱讀者的閱讀需求不是標準，不可以用一個或者幾個概念來定義出共性的，唯一的共性就是看了同一本書，但閱讀需求卻因為各種因素變得極端個性。

對於推薦者來說，其實討論的是個性化推薦，首先，互聯網的優勢在於智能演算法的自動推薦，這個是互聯網的優勢，你不能因為他還沒有絕對智能而否定這個優勢，這個跟以前的一些推薦方式，比如電視，雜誌，等等有先天的優勢，這個也是互聯網的特性之一，否定這個，你說你還臉做互聯網嗎？

再則個性化推薦不等於你推薦了我就一定得個性化閱讀，這個是兩個事情，這個個性化推薦可能對你無效，你憑什麼說這個推薦對其他人無效，你真的以為你是標準？可能我們認為marik的音響最好的，但是80以後的，進城務工的一些兄弟，他們認為放出來能咚呲咚呲響的都是好音響，如果按你的標準，那他們還聽個屁的音樂，懂都不求懂，還聽個鎚子。你自己扣著你的菊花說，你這是不是自我歧視！！！

最後個性化推薦本身只是一個方式，一個手段，目的是讓好的文化，好的知識得到好的傳播，讓真正需求這本書的內容的人能接觸到這本書，讓需要的人有機會看到，這就是個性化推薦的目的。推不推，怎麼推，這個是可以很個性的，但是接受不接受，那是每個人的個人偏好，沒有對錯，只有概率，只不過有經驗的，或者是有大數據支持的推薦的能讓推做得更好、更快一些而已。

最最後，個性化推薦，到底是智能演算法更牛，還是人工篩選更牛，我告訴你，這個跟商業目的和業務規模有關係，跟其他的無關。

總之，當互聯網閱讀產品的產品經理真心的去看100本書，真心的去研究當前的閱讀氛圍和閱讀人群的時候，你會發現，形式真的不重要，重要的是怎麼運用互聯網的優勢去讓好東西得到更好的傳播，除此之外，都他媽是在裝B！！！！！！！！！！！！！！！！！！！！！！！！！！！

忘了自我介紹，我以前在新華文軒做電子閱讀的。歡迎PK，不過你得做好心理準備，因為99%的可能你會被我干趴下，因為在電子閱讀這個方面，我已經趴在地上研究了快2年了。

下班前，一句話說一下：

對於喜歡閱讀的閱讀者而言，個性化閱讀當然是個笑話。

對於就想打發時間的人而言，個性化閱讀當然不是個笑話。

或者從另外一個角度：

對於閱讀者而言，個性化閱讀也許是個笑話

對於內容平台而言，個性化閱讀一定不是個笑話，個性化極大提高了內容平台的展示量。

別去想豆瓣音樂的例子，去想想超市，一個超市的布置，不可能因每個人而不同，貨架就那麼多，能展示的就那麼多，如果能根據個人特點進行個性布置，一個超市能放比原來多一萬倍的東西。

如果你是開超市的，你說是不是個笑話？

如果在書店或者網上不是所有的書你都喜歡，那麼我想你大概需要個性化的閱讀

個性化閱讀是大勢所趨，每個人的興趣是不一樣的。
也就意味著每個人閱讀的方向是不一樣的。

這也就是個性化的基礎。

這裡我們以新聞閱讀為例：
大而全的門戶網站固然是用戶獲取新聞的重要途徑，但是我們要知道門戶網站裡面的很多內容是你永遠不回去點擊的。這也就是說對於你而言門戶網站的信息是相當冗餘的，而且這些冗餘的信息還加大了你閱讀自己感興趣的信息的難度（信息篩選）。

所以有需求有市場必然就會出現相關產品。

這裡唯一的問題就是相關產品會以何種姿態出現。
是純個性化的閱讀的產品呢？還是門戶網站+個性化閱讀的複合形態？

現在市場已經給出了自己的答案，那就是《今日頭條》形式的門戶網站+個性化的複合形態，它的市場份額在不斷的提升，網易新聞客戶端也開始了個性化推薦的嘗試。

當然這只是個性化閱讀的初級階段。

我相信隨著推薦演算法的不斷進步，個性化閱讀的市場會不斷的加大，而門戶網站的閱讀類型將會慢慢萎縮，直至冰點。

科技的發展就是努力的讓每個人在自己的世界中當全世界的上帝。

原本你擁有整個天空，結果卻圍起一口井給自己。
這算是個苦笑話吧。

就像廣告重定位一樣
我對個性化閱讀同樣抱有深深的恐懼。
猶如被人扒了衣服在廣場奔跑。

當閱讀做得不夠好時，通常就開始準備做個性化閱讀。

「個性化閱讀」是個偽命題。
有沒有一個詞是「非個性化閱讀」？
決定接受什麼樣的信息或內容，本來就是一件很私人的事情。

人們可以基於彼此的共性，彼此對同樣感興趣的內容進行推薦和討論，我們稱為「社交」。目前看來，現有「個性化閱讀」的產品，想要解決的問題，豆瓣和新浪微博之類已經解決的很好。這些產品天然的社交推薦機制，要比各種產品的「推送」來得更加準確、合理。

如果閱讀領域還有什麼待解決的問題，就是這些「推送」了。同類產品目前的面臨的問題，不是如何發現用戶的興趣，而是如何避免「推送」和 Timeline 中信息噪音對用戶的干擾。

捎帶做個廣告，AVOS的產品「美味愛讀」也在做這方面的嘗試。我們正試著用粒度很細的標籤來解決這個問題。產品地址是：http://readwise.net/

這是一個偽命題，個性化閱讀是一種需求偏好，沒有任何一個產品能夠滿足人們所有的閱讀需求。但個性化閱讀這個需求又在不斷的被放大，個性化閱讀實現的過程是「內容+讀者+篩選機制」不斷成熟的過程。
ZAKER這一模式代表了一部分個性化閱讀的趨勢，但還有很長的路要走：
1.ZAKER通過「今日看點」這一欄目，解決了用戶訂閱頻道內容的個性化挖掘和篩選。
2.ZAKER通過主題詞訂閱來解決用戶關注的閱讀熱點，效率+體驗並行。
3.ZAKER未來可以通過更加社會化的元素加快個性化內容的聚合篩選，興趣挖掘+好友評議+語義智能。
類似個性化閱讀產品的確要解決「短期偏好」和「長期偏好」的問題，在兩者之間做平衡。目前國內外有很多產品，比如ZITE,通過關鍵詞的篩選來評判閱讀偏好，我覺得更多是一種概念炒作，實用性欠佳。

有句話說得好，你所看到的，就是你希望看到的世界~~

個性化閱讀是一個偉大的理想。

市場營銷的根本理念是：滿足用戶的需求。所以有了形形式式的產品、服務，甚至整個經濟體系，無不建立在這一點上。
人的需求何其多，人的需求也變化得何期快。沒有任何兩個人的需求是完全一致的，任何一個人的需求也不是永遠都一致的。所以才有了傳統市場營銷的STP理論，將在某些方面有共同需求的用戶劃分為一類，然後用一個產品滿足所有的這些用戶。
具體到閱讀上，道理也一樣。今天你喜歡看莫言，明天保不準就只想看《海賊王》；今天想看個人成長類的勵志文，明天可能就想著找《Excel操作技術大全》；這個時刻看著一個個的冷笑話，下一會可能你就被某個高深的理論吸引住了...
所以，你怎麼可能完全猜得到用戶想要什麼？

因此，我們看到了，在這個互聯網時代，傳統的STP理論的再一次勝出：要看國家大事的去看新浪、網易等門戶；要看股票評論的去i美股、雪球；要看到最新最快的各種資訊的去微博；要看好友動態的，去QQ空間；要看笑話的去糗百；要看書、音樂和電影評論的去豆瓣；要看休閑小說的去盛大文學... ...
從更高的層次，這個列表可以更長，要淘小貨的去淘寶，要買便宜家電的去京東，要訂酒店的去攜程，要買賣二手貨的上58同城、趕集，要買休閑男裝的去凡客，要記帳的用隨手記，要查快遞的用快遞100... ...

在信息如此泛濫的今天，用戶能記住的，可能也就幾十個上面這樣的品牌，當用戶需要找其記不住或不了解的信息時，他們又會怎樣做？一是問周圍的人，尤其是朋友親人；一是點hao123或360導航站；一是用搜索引擎（包括淘寶等網站的內部搜索功能）；還有一個是用百度知道，或上知乎。
當然，如果用戶不知道自己的需要時，又會怎樣滿足？基本全是外在的信息的誘導，比如微博、報紙、電視上突然全是ipad min的信息，所以知道了蘋果要推一個ipad min的新產品了；比如路某個廣場，聽到一首超有感覺的歌，問了才知道有個叫汪峰的傢伙唱的歌很合口味；比如某天突然聽說莫言拿了個諾貝爾獎，所以趕緊上京東上買了一本；比如逛淘寶，發現了新的款項；比如在好樂買上買了雙鞋子，下面彈出一個推薦加兩元就能多買十雙襪子... ...

那怎樣才算「個性化」？不用用戶問，就能將用戶想看的東西推到他面前。上面說了一大堆，再來對比看，既然能滿足用戶知道自己需要的需求，又要滿足用戶被告知他需要但不知道的需求，還要能囊括各種不一樣的乃至詭異的需求，還要能猜得出用戶每一個時刻的需求變化情況，最重要的是，用戶本來可以輕輕鬆鬆地通過現有方式與渠道滿足其需求，我們卻要給他們強塞一個新的稱可以「包治百病」的神器（見http://www.zhihu.com/question/20053429/answer/15520568)，這，難道不是一個偉大的理想嗎？

個性化閱讀其實包含兩個完全不同的領域。

第一個，是主動式閱讀，代表是google reader。我沒有訂閱的內容，我希望他儘可能不出現。本質上是一個效率工具，減少我在專業領域查看多個網站的時間。這種工具裡面如果有過濾器選項濾掉不希望的條目，會很受歡迎。

以我在微博上面的例子，我關注的觀鳥、動漫、現實生活好友，就屬於這類，大部分都是非V或者小V，更換或者找到替代者的成本很高。信息有效率大於三分之一。意見相左也不會成為取關的理由。

第二種，是打發時間的閱讀。可以看，也可以不看。特點就是互相替代率高，比如我在微博上有三分之一，甚至以前非常喜歡的用戶都被我斷舍離了。僅僅一句沒興趣了或者那句話有點討厭，就可能取關了。這些大多是大V，代表的是個人閱讀的共性而不是個性。

第二類針對的是「我不知道自己喜歡的是什麼」的用戶。大家做乙方可能見過無數這樣的用戶了吧，他總是要你在沒有任何信息的情況下先做個樣板，然後他看了樣板才能夠提出建議進行改進。對於設計者來說覺得惱火做了無用功，但是對這些也與用戶來說，這樣搞是他們唯一能夠進行思考的方式。個性化閱讀就是一種能把這個過程自動化的工具。簡單化的推薦對提升第二類的點擊量是有效的，但是點擊量越高，第二類用戶的閱讀體驗反而越差。

對於第一類，個性推薦的重要性是「不要推送無關的，寧可不知道，不可太濫浪費時間」。也就是說，一旦我對某條不感興趣，就不應該再次推薦甚至連類似的都應該不再推薦。

對於第二類，就是另外一回事了。我現在不想看，並不等於以後我不想看。松鼠一樣收集著就行。

++++++++

理想就是，我的閱讀以第一類為主，滿足我的大部分閱讀需求，但是偶爾從第二類進行補充。

現實是，第一種很難盈利，gr的關閉就說明了這點。大家都按照第二類的來做。

這樣只會讓大量用戶逃離到第一類裡面。比如我現在發閱讀感想、私人感想都到豆瓣，看到的公眾事件才發微博。

我個人的策略是盡量關注第一類，第二類進行定期淘汰。只從第一類的主動推薦中找第一類（比如微博裡面的@），一旦從第二類找到可以長期閱讀的，新增多少到第一類，就主動取關多少第二類作為平衡。

我希望所有的社交媒體除了拉黑之外，還有一個「我不感興趣」的選擇。否則我是不願意使用自動化推薦功能的。
我相信推薦功能的實用性的，很多人舉例的亞馬遜，我認為從個人過往歷史進行推薦是可靠的。但是從友鄰的愛好而不是主動推薦進行自動推薦的演算法仍然太過粗糙，從大眾口味熱門標題進行推薦在第二類是有用的，但是仍然不可濫用。觀眾的注意力是有限的，沒有負權重，推薦遲早會淪為馬太效應大者恆大，從而平庸化平均化，自然也就沒有個性可言。
具體的操作可以參見reddit 的話題重要度的退火演算法。

其實個性化閱讀，還有個性化推薦、收聽（如豆瓣電台）等最大的問題就是——越是重度的使用，或的內容越少，重複的信息越多，到最後甚至讓用戶產生厭倦不再使用。就像豆瓣電台一樣，開始的體驗很好，可在我標記幾千首紅心歌曲後，推薦的歌曲永遠都是我聽過的，沒有一點新鮮感，遂棄之。