數(shù)據(jù)顯示，三分之一的用戶會(huì)根據(jù)電子商務(wù)網(wǎng)站的推薦買東西，這是任何廣告都不可能做到的成績(jī)。媒體上播放的大眾化廣告對(duì)消費(fèi)者的影響已經(jīng)越來(lái)越低，于是有人做出預(yù)見(jiàn)——個(gè)性化推薦技術(shù)將成為廣告的終極形式。

很多年前，看過(guò)一部電影叫作《誰(shuí)知女人心》，好萊塢大牌梅爾·吉布森飾演的男主角是一個(gè)典型的大男子主義者。一次浴室觸電的意外突然讓這個(gè)大男人獲得了神奇的本領(lǐng)——“讀心術(shù)”，可以輕而易舉地洞悉身邊女人們的心事，聽(tīng)到她們內(nèi)心的獨(dú)白。盡管一開(kāi)始被這個(gè)本領(lǐng)嚇得半死，可他卻漸漸沉迷，以此俘獲芳心。

“讀心術(shù)”聽(tīng)起來(lái)匪夷所思，卻也有些人正樂(lè)衷于此道。仿佛一夜間，身邊突然出現(xiàn)了一位洞悉你所有喜好的“知音”，可以24小時(shí)提供全方位的貼心指引，不厭其煩地向你推薦那些“你可能感興趣的……”東西，從房子，到襪子。

你猜對(duì)了，這就是在不知不覺(jué)中侵占整個(gè)互聯(lián)網(wǎng)的“推薦算法”，不單直指你心底里哪些小秘密，更成為了每個(gè)網(wǎng)站拉攏用戶的核心機(jī)密。

當(dāng)“推薦”讓人欲罷不能

Netflix使用軟件算法來(lái)推薦電影，豆瓣電臺(tái)擅長(zhǎng)推薦 “不經(jīng)意的好音樂(lè)”，Goodreads熱衷于推薦書籍……個(gè)性化的“推薦算法”已全面運(yùn)用到一長(zhǎng)串互聯(lián)網(wǎng)網(wǎng)站中，從視頻推薦、音樂(lè)推薦、購(gòu)物推薦直到好友推薦等。

不少網(wǎng)友迷戀上了使用“推薦算法”后的快感。“自從我使用Last.fm和豆瓣電臺(tái)的音樂(lè)服務(wù)之后，就開(kāi)始依賴他們所提供的‘音樂(lè)推薦’，不再在街頭的CD攤駐足，甚至連MP3都很少下載了。”在公關(guān)公司工作的張小姐兩年前就成了豆瓣電臺(tái)的忠實(shí)擁躉。“沒(méi)用以前還不明白為啥有那么多人聽(tīng)豆瓣，用了之后就不得不佩服它推薦的音樂(lè)非常符合我的口味，收藏的音樂(lè)越多，它推薦越精準(zhǔn)，就像鞋子一樣越穿越合腳。不過(guò)，要是收藏太多音樂(lè)的話，準(zhǔn)確性就會(huì)有所下降，可能這時(shí)候，連你自己都不知道自己究竟喜歡哪類音樂(lè)了，更何況是個(gè)軟件。”

事實(shí)上，“推薦算法”的“工作原理”算不上太復(fù)雜。以同樣推薦音樂(lè)的Last.fm網(wǎng)站為例，假如你喜歡王菲，而與你同樣喜歡王菲的朋友在聽(tīng)林憶蓮，Last.fm就會(huì)把林憶蓮放到你的播放列表上。

Last.fm網(wǎng)站的負(fù)責(zé)人對(duì)于“推薦算法”推崇備至，“我們圍繞音樂(lè)建立了一個(gè)龐大的社區(qū)，是這個(gè)社區(qū)幫助我們提煉‘推薦’。推薦的音樂(lè)是從2000多萬(wàn)人真實(shí)的收聽(tīng)習(xí)慣中提取出來(lái)的。所以，你播放音樂(lè)的次數(shù)越多，Last.fm上的用戶越多，推薦結(jié)果就越準(zhǔn)確。你能發(fā)現(xiàn)音樂(lè)與音樂(lè)之間往往有意想不到的關(guān)聯(lián)，甚至無(wú)意間泄露你最近的心情。聽(tīng)說(shuō)有人失戀了，心有不甘，就在Last.fm上看前戀人在聽(tīng)什么樣的歌，猜測(cè)他們此時(shí)的心情。”

以個(gè)性化“算法推薦”，也就是“豆瓣猜你會(huì)喜歡”，豆瓣網(wǎng)最先實(shí)踐的三個(gè)生活領(lǐng)域是圖書、電影、音樂(lè)。原因也很簡(jiǎn)單，這三個(gè)領(lǐng)域最容易推薦準(zhǔn)確。豆瓣網(wǎng)創(chuàng)始人楊勃曾表示，“對(duì)多數(shù)人做選擇最有效的幫助其實(shí)來(lái)自親友和同事。隨意的一兩句推薦，不但傳遞了他們自己真實(shí)的感受，也包含了對(duì)你口味的判斷和隨之而行的篩選。他們不會(huì)向單身漢推薦育兒大全，也不會(huì)給老媽帶回《赤裸特工》。無(wú)論高矮胖瘦，白雪巴人，豆瓣幫助你通過(guò)你喜愛(ài)的東西找到志同道合者，然后通過(guò)他們找到更多的好東西。”

有意思的是，“推薦算法”還衍生出不少附加的好處。在Last.fm上最好玩的是，觀察人們正在聽(tīng)什么音樂(lè)。這個(gè)數(shù)據(jù)非常有趣，甚至可以準(zhǔn)確預(yù)見(jiàn)什么樂(lè)隊(duì)會(huì)走紅?，F(xiàn)在，通過(guò)“推薦算法”做出預(yù)測(cè)已經(jīng)讓不少公司動(dòng)了心。Google創(chuàng)造出一種新的產(chǎn)品用來(lái)嘗試通過(guò)搜索引擎預(yù)測(cè)奧斯卡金像獎(jiǎng)的得主。據(jù)了解，過(guò)去幾年的奧斯卡最佳影片《拆彈部隊(duì)》、《貧民窟的百萬(wàn)富翁》、《老無(wú)所依》等，都曾于獲獎(jiǎng)前在搜索引擎中表現(xiàn)出了至少四個(gè)星期的上升趨勢(shì)。不過(guò)，顯然這種預(yù)測(cè)還需要加強(qiáng)“準(zhǔn)頭”，搜索大熱的《社交網(wǎng)絡(luò)》最終還是在現(xiàn)實(shí)中敗給了《國(guó)王的演講》。

可以預(yù)見(jiàn)的是，隨著技術(shù)的進(jìn)步，更具人性化、更準(zhǔn)確的“推薦算法”，甚至能通過(guò)體感、虹膜、血壓等數(shù)據(jù)的變化，挖掘到用戶真實(shí)的內(nèi)心需求。

當(dāng)“推薦”遭遇“商業(yè)智慧”

不過(guò)，對(duì)于“推薦算法”而言，擺在眼前的一個(gè)疑問(wèn)始終揮之不去——這真是一位理想的“知音”嗎？

不知你是否注意到，每次在淘寶的時(shí)候，從你搜索你想要買的那樣?xùn)|西開(kāi)始，到完成交易給對(duì)方評(píng)價(jià)，網(wǎng)站都會(huì)在一個(gè)小角落滾動(dòng)推薦一些“你可能感興趣的東西”。這就是悄悄隱藏的“推薦算法”。比如，你曾經(jīng)購(gòu)買了幾本村上春樹的作品，算法會(huì)自動(dòng)向你推薦這位作家乃至幾位日本作家的其他作品等。

越來(lái)越多的人發(fā)現(xiàn)，推測(cè)人們的口味，實(shí)在一樁有利可圖的生意。影片租賃網(wǎng)Netflix投入100萬(wàn)美元給開(kāi)發(fā)小組開(kāi)發(fā)一個(gè)比舊版更好用的電影推薦系統(tǒng)這一事實(shí)就是最佳證明。現(xiàn)在，更是有眾多專家把“推薦算法”推上了繼社交網(wǎng)絡(luò)之后web2.0時(shí)代“最大黑馬”的寶座。

《連線》雜志主編克里斯·安德森提出“長(zhǎng)尾理論”的三個(gè)法則，第一是讓所有東西都可以被獲得；第二是讓這些東西賣得很便宜；第三是幫我找到它。而這第三點(diǎn)恰恰是個(gè)性化“推薦算法”的專長(zhǎng)，幫助用戶在大量的商品中做出選擇。

目前，全球電子商務(wù)零售類增長(zhǎng)最快的三大巨頭——亞馬遜、Staples和Netflix都已經(jīng)全面應(yīng)用了個(gè)性化的推薦系統(tǒng)。據(jù)市場(chǎng)分析公司Forrester統(tǒng)計(jì)數(shù)據(jù)顯示，三分之一的用戶會(huì)根據(jù)電子商務(wù)網(wǎng)站的推薦買東西，這是任何廣告都不可能做到的成績(jī)。媒體上播放的大眾化廣告對(duì)消費(fèi)者的影響已經(jīng)越來(lái)越低，于是有人做出預(yù)見(jiàn)——個(gè)性化推薦技術(shù)將成為廣告的終極形式。

國(guó)內(nèi)的豆瓣網(wǎng)也在“推薦算法”的商業(yè)應(yīng)用上蠢蠢欲動(dòng)，今年從生活類的小站、社區(qū)里的二手交易、“豆瓣猜你會(huì)喜歡的團(tuán)購(gòu)”，直到一些手機(jī)應(yīng)用上都已經(jīng)率先試水。按照楊勃的說(shuō)法，“我們希望當(dāng)別人幫你娛樂(lè)游戲八卦的時(shí)候，還能幫到你的真實(shí)生活。”

“以前都是人工推薦，但系統(tǒng)開(kāi)發(fā)的自動(dòng)化智能方式更方便、有效。”百分點(diǎn)CEO柏林森認(rèn)為，個(gè)性化推薦技術(shù)將成為等同搜索引擎的互聯(lián)網(wǎng)基礎(chǔ)服務(wù)，個(gè)性化推薦服務(wù)的精準(zhǔn)營(yíng)銷平臺(tái)則將成為電子商務(wù)行業(yè)的標(biāo)準(zhǔn)配備功能。

難怪在社交網(wǎng)絡(luò)產(chǎn)品上屢敗屢戰(zhàn)的Google，仍然執(zhí)拗地推出了“+1”。如同Facebook上的“Like”一樣，如果在Google搜索結(jié)果中看到一條喜歡的鏈接按下“+1”，你的朋友再次進(jìn)行類似搜索時(shí)，便會(huì)看到你的推薦。現(xiàn)在，“+1”按鈕只會(huì)出現(xiàn)在Google搜索頁(yè)面上，但是Google正計(jì)劃讓它出現(xiàn)在各大主要網(wǎng)站上。

當(dāng)“推薦”左右你我生活

或許此種電腦的自動(dòng)推薦還能勉強(qiáng)算得上新奇，可當(dāng)被海量般諸如“你可能感興趣的新聞”、“你可能感興趣的書”、“你可能感興趣的電影”、“你可能感興趣的餐館”、“你可能感興趣的……”等推薦狂轟亂炸過(guò)一番后，已經(jīng)有不少人感到迷戀于各大網(wǎng)站上泛濫成災(zāi)的推薦，儼然更像是打開(kāi)了一個(gè)“潘多拉的盒子”。

網(wǎng)友MarsC最近就被推薦算法“雷”了一記。原來(lái)，他在京東商城上興致勃勃地訂了雙緩沖跑鞋，結(jié)果網(wǎng)頁(yè)上立馬列出一個(gè)“最佳購(gòu)買組合”，竟然搭上一只無(wú)油煙健康炒鍋。“我暈，買鞋配個(gè)鍋！真不知道京東怎么算的。”

身邊也有些朋友開(kāi)始向記者抱怨，聽(tīng)網(wǎng)站系統(tǒng)推薦的音樂(lè)盡管偶爾也能驚喜一番，但總是一個(gè)調(diào)調(diào)的循環(huán)播放還真很難不讓人產(chǎn)生審美疲勞。“大部分時(shí)間中，網(wǎng)站推薦的音樂(lè)都非常‘妥帖’，但這就好比我雇了一個(gè)只懂得順從和諂媚的DJ。”

豆瓣的圖書推薦也遇到了類似的尷尬。網(wǎng)友每點(diǎn)開(kāi)1本書后，“也喜歡……”列表總會(huì)牽扯出另外10本五花八門的書，10本又10本循環(huán)無(wú)窮無(wú)盡，最終只能讓人直接忽略掉豆瓣的系統(tǒng)推薦，否則光是看看這些就要消耗不少時(shí)間。

當(dāng)大筆大筆的金錢堆起了“推薦算法”的準(zhǔn)確性后，這些裝作能洞悉你心思的系統(tǒng)，卻無(wú)法保證推薦的多樣性和新穎性。“推薦算法會(huì)局限我們感興趣的領(lǐng)域，阻止我們發(fā)現(xiàn)新的精彩”，有網(wǎng)友在論壇上直言不諱。當(dāng)推薦沒(méi)有節(jié)制時(shí)，它就讓人無(wú)法從中篩選出“你可能更感興趣”的東西了。

實(shí)事求是地說(shuō)，提高效率、增長(zhǎng)見(jiàn)識(shí)始終不是“推薦算法”的最終目的，開(kāi)發(fā)出它的網(wǎng)站要的是用戶停留更多的時(shí)間，或者花去更多的金錢，為此甚至可能不惜不斷挖掘出更多的個(gè)人隱私。

有個(gè)小故事似乎是最好的印證，說(shuō)是數(shù)學(xué)天才JeffHammerbacher，2006年從哈佛畢業(yè)，一年后加入Facebook，奠定Facebook業(yè)務(wù)的基石——以“推薦算法”確保精準(zhǔn)廣告?？蓛H僅待了兩年之后，Hammerbacher開(kāi)始懷疑人生，于是2008年他從Facebook辭職了。“我的腦袋竟然都在這里思考著怎樣讓人們?nèi)ゴ罅康攸c(diǎn)擊廣告，真衰。”這位天才辭職后發(fā)出了無(wú)限感慨。

是的，這就是赤裸裸的“推薦算法”。