|
數(shù)據(jù)顯示,，三分之一的用戶會根據(jù)電子商務網(wǎng)站的推薦買東西,，這是任何廣告都不可能做到的成績。
媒體上播放的大眾化廣告對消費者的影響已經(jīng)越來越低,，于是有人做出預見——個性化推薦技術將成為廣
告的終極形式。
很多年前，看過一部電影叫作《誰知女人心》,，好萊塢大牌梅爾·吉布森飾演的男主角是一個典型的
大男子主義者。一次浴室觸電的意外突然讓這個大男人獲得了神奇的本領——“讀心術”,，可以輕而易舉
地洞悉身邊女人們的心事,，聽到她們內(nèi)心的獨白。盡管一開始被這個本領嚇得半死,，可他卻漸漸沉迷,，以
此俘獲芳心。
“讀心術”聽起來匪夷所思,，卻也有些人正樂衷于此道,。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,。
你猜對了,，這就是在不知不覺中侵占整個互聯(lián)網(wǎng)的“推薦算法”，不單直指你心底里哪些小秘密,，更
成為了每個網(wǎng)站拉攏用戶的核心機密,。
當“推薦”讓人欲罷不能
Netflix使用軟件算法來推薦電影，豆瓣電臺擅長推薦 “不經(jīng)意的好音樂”,，Goodreads熱衷于推薦
書籍……個性化的“推薦算法”已全面運用到一長串互聯(lián)網(wǎng)網(wǎng)站中,，從視頻推薦、音樂推薦,、購物推薦直
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和豆瓣電臺的音樂服務之后,，
就開始依賴他們所提供的‘音樂推薦’,，不再在街頭的 CD攤駐足，甚至連MP3都很少下載了,。”在公關公
司工作的張小姐兩年前就成了豆瓣電臺的忠實擁躉,。“沒用以前還不明白為啥有那么多人聽豆瓣，用了之
后就不得不佩服它推薦的音樂非常符合我的口味,，收藏的音樂越多,，它推薦越精準，就像鞋子一樣越穿越
合腳,。不過,，要是收藏太多音樂的話，準確性就會有所下降,，可能這時候,，連你自己都不知道自己究竟喜
歡哪類音樂了，更何況是個軟件,。”
事實上,，“推薦算法”的“工作原理”算不上太復雜。以同樣推薦音樂的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林憶蓮，Last.fm就會把林憶蓮放到你的播放列表上,。
Last.fm網(wǎng)站的負責人對于“推薦算法”推崇備至,，“我們圍繞音樂建立了一個龐大的社區(qū)，是這個
社區(qū)幫助我們提煉‘推薦’,。推薦的音樂是從2000多萬人真實的收聽習慣中提取出來的,。所以，你播放音
樂的次數(shù)越多,，Last.fm上的用戶越多,，推薦結(jié)果就越準確,。你能發(fā)現(xiàn)音樂與音樂之間往往有意想不到的
關聯(lián)，甚至無意間泄露你最近的心情,。聽說有人失戀了,，心有不甘，就在Last.fm上看前戀人在聽什么樣
的歌,，猜測他們此時的心情,。”
以個性化“算法推薦”，也就是“豆瓣猜你會喜歡”,，豆瓣網(wǎng)最先實踐的三個生活領域是圖書,、電影
、音樂,。原因也很簡單,，這三個領域最容易推薦準確。豆瓣網(wǎng)創(chuàng)始人楊勃曾表示,，“對多數(shù)人做選擇最有
效的幫助其實來自親友和同事,。隨意的一兩句推薦，不但傳遞了他們自己真實的感受,，也包含了對你口味
的判斷和隨之而行的篩選,。他們不會向單身漢推薦育兒大全，也不會給老媽帶回《赤裸特工》,。無論高矮
胖瘦,，白雪巴人,，豆瓣幫助你通過你喜愛的東西找到志同道合者,，然后通過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，觀察人們正在聽什
么音樂,。這個數(shù)據(jù)非常有趣,，甚至可以準確預見什么樂隊會走紅。現(xiàn)在,，通過“推薦算法”做出預測已經(jīng)
讓不少公司動了心,。Google創(chuàng)造出一種新的產(chǎn)品用來嘗試通過搜索引擎預測奧斯卡金像獎的得主。據(jù)了解
,，過去幾年的奧斯卡最佳影片《拆彈部隊》,、《貧民窟的百萬富翁》、《老無所依》等,，都曾于獲獎前在
搜索引擎中表現(xiàn)出了至少四個星期的上升趨勢,。不過,，顯然這種預測還需要加強“準頭”，搜索大熱的《
社交網(wǎng)絡》最終還是在現(xiàn)實中敗給了《國王的演講》,。
可以預見的是,，隨著技術的進步，更具人性化,、更準確的“推薦算法”,，甚至能通過體感、虹膜,、血
壓等數(shù)據(jù)的變化,，挖掘到用戶真實的內(nèi)心需求。
當“推薦”遭遇“商業(yè)智慧”
不過,，對于“推薦算法”而言,，擺在眼前的一個疑問始終揮之不去——這真是一位理想的“知音”嗎
？
不知你是否注意到,，每次在淘寶的時候,，從你搜索你想要買的那樣東西開始，到完成交易給對方評價
,，網(wǎng)站都會在一個小角落滾動推薦一些“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)購買了幾本村上春樹的作品,，算法會自動向你推薦這位作家乃至幾位日本作家的其他作品等。
越來越多的人發(fā)現(xiàn),，推測人們的口味,，實在一樁有利可圖的生意。影片租賃網(wǎng)Netflix投入100萬美元
給開發(fā)小組開發(fā)一個比舊版更好用的電影推薦系統(tǒng)這一事實就是最佳證明?，F(xiàn)在,，更是有眾多專家把“推
薦算法”推上了繼社交網(wǎng)絡之后web2.0時代“最大黑馬”的寶座。
《連線》雜志主編克里斯·安德森提出“長尾理論”的三個法則,，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,。而這第三點恰恰是個性化“推薦算法”的專長,，幫助
用戶在大量的商品中做出選擇。
目前,，全球電子商務零售類增長最快的三大巨頭——亞馬遜,、Staples和Netflix都已經(jīng)全面應用了個
性化的推薦系統(tǒng)。據(jù)市場分析公司 Forrester統(tǒng)計數(shù)據(jù)顯示,，三分之一的用戶會根據(jù)電子商務網(wǎng)站的推薦
買東西,，這是任何廣告都不可能做到的成績,。媒體上播放的大眾化廣告對消費者的影響已經(jīng)越來越低，于
是有人做出預見——個性化推薦技術將成為廣告的終極形式,。
國內(nèi)的豆瓣網(wǎng)也在“推薦算法”的商業(yè)應用上蠢蠢欲動,，今年從生活類的小站、社區(qū)里的二手交易,、
“豆瓣猜你會喜歡的團購”,，直到一些手機應用上都已經(jīng)率先試水。按照楊勃的說法,，“我們希望當別人
幫你娛樂游戲八卦的時候,，還能幫到你的真實生活。”
“以前都是人工推薦,，但系統(tǒng)開發(fā)的自動化智能方式更方便,、有效。”百分點CEO柏林森認為,，個性
化推薦技術將成為等同搜索引擎的互聯(lián)網(wǎng)基礎服務,，個性化推薦服務的精準營銷平臺則將成為電子商務行
業(yè)的標準配備功能。
難怪在社交網(wǎng)絡產(chǎn)品上屢敗屢戰(zhàn)的Google,，仍然執(zhí)拗地推出了“+1”,。如同F(xiàn)acebook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”,，你的朋友再次進行類似搜索時,，便會看到
你的推薦。現(xiàn)在,，“+1”按鈕只會出現(xiàn)在Google搜索頁面上,，但是Google正計劃讓它出現(xiàn)在各大主要網(wǎng)站
上。
當“推薦”左右你我生活
或許此種電腦的自動推薦還能勉強算得上新奇,，可當被海量般諸如“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)站上泛濫成災的推薦,，儼然更像是打開了一個“潘多
拉的盒子”。
網(wǎng)友MarsC最近就被推薦算法“雷”了一記,。原來,，他在京東商城上興致勃勃地訂了雙緩沖跑鞋，結(jié)
果網(wǎng)頁上立馬列出一個“最佳購買組合”,，竟然搭上一只無油煙健康炒鍋,。“我暈,，買鞋配個鍋！真不知
道京東怎么算的,。”
身邊也有些朋友開始向記者抱怨,，聽網(wǎng)站系統(tǒng)推薦的音樂盡管偶爾也能驚喜一番，但總是一個調(diào)調(diào)的
循環(huán)播放還真很難不讓人產(chǎn)生審美疲勞,。“大部分時間中,，網(wǎng)站推薦的音樂都非常‘妥帖’，但這就好比
我雇了一個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)友每點開1本書后，“也喜歡……”列表總會牽扯出另外10
本五花八門的書,，10本又10本循環(huán)無窮無盡,，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
些就要消耗不少時間,。
當大筆大筆的金錢堆起了“推薦算法”的準確性后,，這些裝作能洞悉你心思的系統(tǒng)，卻無法保證推薦
的多樣性和新穎性,。“推薦算法會局限我們感興趣的領域,，阻止我們發(fā)現(xiàn)新的精彩”，有網(wǎng)友在論壇上直
言不諱,。當推薦沒有節(jié)制時,，它就讓人無法從中篩選出“你可能更感興趣”的東西了。
實事求是地說,，提高效率,、增長見識始終不是“推薦算法”的最終目的，開發(fā)出它的網(wǎng)站要的是用戶
停留更多的時間,，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人隱私。
有個小故事似乎是最好的印證,，說是數(shù)學天才JeffHammerbacher,，2006年從哈佛畢業(yè)，一年后加入
Facebook,，奠定Facebook 業(yè)務的基石——以“推薦算法”確保精準廣告,。可僅僅待了兩年之后,，
Hammerbacher開始懷疑人生,，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擊廣告，真衰,。”這位天才辭職后發(fā)出了無限感慨,。
是的，這就是赤裸裸的“推薦算法”,。
|
|
|
來自： 酸菜,，上翠花,！ > 《商業(yè)財經(jīng)》
