數(shù)據(jù)顯示，三分之一的用戶會根據(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。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(yù)見——個性化推薦技術(shù)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(lǐng)——“讀心術(shù)”，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(lǐng)嚇得半死，可他卻漸漸沉迷，以此俘獲芳心。

“讀心術(shù)”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(dāng)“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(wù)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(guān)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(zhǔn)，就像鞋子一樣越穿越合腳。不過，要是收藏太多音樂的話，準(zhǔn)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(fù)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(zé)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(xí)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(zhǔn)確。你能發(fā)現(xiàn)音樂與音樂之間往往有意想不到的關(guān)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(lǐng)域是圖書、電影、音樂。原因也很簡單，這三個領(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(zhǔn)確預(yù)見什么樂隊會走紅?，F(xiàn)在，通過“推薦算法”做出預(yù)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(yù)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(yù)測還需要加強“準(zhǔn)頭”，搜索大熱的《社交網(wǎng)絡(luò)》最終還是在現(xiàn)實中敗給了《國王的演講》。

可以預(yù)見的是，隨著技術(shù)的進步，更具人性化、更準(zhǔn)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(dāng)“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?xùn)|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(luò)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(wù)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(yīng)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(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。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(yù)見——個性化推薦技術(shù)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(yīng)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(yīng)用上都已經(jīng)率先試水。按照楊勃的說法，“我們希望當(dāng)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(rèn)為，個性化推薦技術(shù)將成為等同搜索引擎的互聯(lián)網(wǎng)基礎(chǔ)服務(wù)，個性化推薦服務(wù)的精準(zhǔn)營銷平臺則將成為電子商務(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”，你的朋友再次進行類似搜索時，便會看到你的推薦?，F(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(dāng)“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(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(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(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(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”。