【創業網Cye.com.cn】“自媒體”又火了！這幾天這個詞兒在媒體人當中出現的頻率非常高，甚至有媒體以“千萬收入不是夢”為標題評論自媒體的價值。怎么火起來的？據說是因為兩個消息觸發的——程苓峰的微信公共賬號“云科技”試水微信廣告，一萬元一天，兩個半月狂賺十三萬大洋的戰績點燃了一向付出與收獲不成正比的寫字人成為“賺稿人”的希望；前《錢江晚報》記者潘越飛寫了篇《告別辭：你好！（自媒體！）再見（傳統媒體！）》，咬牙跺腳的姿勢引發了媒體人對自身前途擔憂的共鳴。一喜一憂的對比下，讓媒體人仿佛看到了一線光明。更為重要的是，自媒體——Self Media，仿佛給人一種感覺，那就是不僅是傳統的媒體人，似乎人人都能從自媒體的盛宴中分得一杯羹。
比起前幾年博客的一陣火熱，這一波兒有微博營銷造富在先，又有微信這個正如日中天的平臺，自媒體的這輪的火爆自然勢不可擋。但是作為一個信息需求者，我感到越發茫然。信息真是越來越多了，也將越來越分散了，以后找對我而言有價值的信息恐怕會越來越難了。怎么辦？個性化推薦并不新鮮的領域又讓我充滿了期待。
目前，大致劃分一下，力圖做個性化信息推薦的產品不在少數，國外像Zite、Fliboard、Zaker，國內有像我們報道過的無覓、簡網、指閱等，基于數據分析，根據用戶的興趣喜好和歷史行為來推薦用戶可能會喜歡的信息。但個性化推薦閱讀似乎普遍不被外界看好，尤其是在資本市場上，Zite的市值只有Fliboard的十幾分之一。為什么？從推薦結果上看，現在所謂的個性化推薦大多還是難逃“二八定律”，無論是大眾領域還是垂直行業，始終是熱門媒體的熱門信息排在前面；從生意角度，個性化推薦不被認為是一個賺錢的生意。
曾跟做個性化推薦產品的朋友聊，他們的產品做了2年，但離他自己預想中的理想狀態總是有差距，他坦言，做這類產品最難的長尾信息的推薦。其實，這并不只是他一家的問題。現在的這類推薦產品，嚴格來講，大多只能稱得上是協同過濾，離真正的千人千面的個性化推薦距離還是很大的。從技術角度來講，有幾個突出的難題：
（1） 用戶行為數據積累。機器學習已經不是令人生疏的概念，但這需要大的用戶基數和用戶活躍度。尤其是在前期，推薦和數據積累幾乎是個一邊造雞一邊造蛋的過程。目前許多產品的解決方式是和用戶的社會化媒體關聯，以獲得其行為數據。
（2） 標簽的細分程度難以拿捏。標簽列地太細分，信息來源太少；列的范圍寬一點，推薦的信息很可能過于粗放。
（3） 信息的多樣性和準確性的矛盾。純粹按照個人原始數據來推薦信息，恐怕會囿于用戶的個人視野，難以做到信息發現。貿然擴大信息范圍，是有很大風險的；但太過于精準的信息，可能并不新穎，對用戶并不具有價值。
（4） 另外，從算法上，首先，數據規模越多，其中的關聯性會越復雜；用戶的選擇越多，又意味著用戶與用戶之間的數據交點越稀疏。而且，當不斷有新的用戶、新的信息和連接關系時，意味著數據基數又變了。這一點，在批量小、品種多的長尾信息部分體現地越發明顯。
但好在技術上的限制總能被突破，至少持續地有改良方案的出現。不過，對長尾信息的推薦不僅僅是個技術問題，其實也是個經營思路的問題，直接關系到盈利模式。試想，新浪微博如果從一開始其運營思路不是“二八定律”，而是“長尾效應”，也就是說不是名人效應的媒體化經營思路，而是像淘寶一樣“去中心化”，培育數以萬計有特色的草根用戶，恐怕新浪微博現在的發展會是另一番景象吧。
在個性化信息經營思路上，豆瓣是個很好的例子。去年初，豆瓣首頁改版推個性化推薦，于是，這個人們印象中一直慢吞吞的小清新社區一大步邁向了社會化電商。其社區內容上的衍生價值一下子就體現了出來。尤其是在移動互聯網端，APP將個性化推薦與變現更直接地框在了一起，將PC端內容推薦與消費信息之間的隔閡一下子打通了。
只不過，這條路子并不是一蹴而就。豆瓣做了7年社區積累起了用戶行為數據，再加上算法技術的精進和下游產業的成熟才能借由個性化推薦邁出社會化電商這一步。這類產品確實難度很大，且要持續性地掙錢在短期內不可能實現，但個性化推薦閱讀一定是個剛需，若能做到像科學算命一樣的信息推薦，那簡直就可以逆天了，我非常愿意付錢。所以，尤其是那些和社交、問答相關的個性化推薦產品，堅持啊！
想認識全國各地的創業者、創業專家，快來加入“中國創業圈”
|
