個性化推薦本來就是壹個技術性很強的話題，但本文只關註推薦過程中的“真實”，不涉及任何高深難懂的技術。
本文的討論主要參考了Zite的基本特性和目前的幾款微博濾鏡產品。
為避免不必要的爭議，除新浪微博官方功能外，其他具體產品名稱並未說明。
1.基於SNS的網絡閱讀推薦隨著近年來技術的發展，自然語言處理、數據挖掘、機器學習等領域形成了多項產業化技術，為高度個性化的內容推薦奠定了技術基礎。
用加工的方法，我們需要原材料來制造產品。
個性化推薦也是。
個性化推薦無非就是選擇用戶可能喜歡的內容，呈現給他/她。
喜歡受兩個主要因素影響:(1)內容與用戶興趣的相關程度；(2)內容本身的質量(受歡迎程度)
換句話說，誰是用戶？他喜歡什麽樣的東西？這東西是用戶喜歡的類型嗎？用壹般的話來表達，能識別用戶的興趣，找到內容的特點，是非常幸運的。社交幾乎提供了以上所有個性化內容推薦的原材料:用戶有賬號來標識自己；通過挖掘用戶發帖、網絡關系等歷史行為數據，可以獲得用戶的興趣；內容的類型特征可以通過自然語言處理技術獲得。
這太完美了！Zite可以說是這樣壹個應時的產物，完美的將這些結合在了壹起。
通過進入Twitter或GoogleReader賬號，Zite會分析用戶的閱讀偏好(興趣)，然後根據用戶的偏好選擇與用戶興趣匹配度高的新聞/文章，確實大大提高了閱讀的效率和質量。
第二，微博的信息過濾和推薦是沿著上述思路壹路走來的。處理微博這個趨於爆炸的信息寶庫，根據用戶喜好進行過濾，推送用戶關心的內容，似乎是壹種不錯的產品形態。
但是，仔細想想，妳會發現有兩個問題需要解決:1，人氣。我們必須註意壹個現象:微博是壹個輕量級、高參與度的公共信息源。
從條目數來看，微博每天的UGC數可能比之前壹個月的整個互聯網都高，但是內容參差不齊！所以內容質量就成了問題。
比如壹個喜歡笑話的用戶，如果推薦給他壹個高質量的笑話，他會很開心。但這也是壹個笑話。推薦壹個質量壹般的笑話反而可能是壹種垃圾信息。
可見，微博信息推薦需要更加關註壹個因素:內容的質量(人氣)。
基於機器學習等方法的自然語言處理技術在文本分類上的準確率和效率都達到了行業標準。
但是，語義的識別和處理還很不成熟。
目前還沒有自然語言處理技術來評價壹篇文章的觀點和文采的好壞。
壹個可靠的質量評價方法取決於群眾的反饋，也就是知名度。
評價文章的受歡迎程度並不難(尤其是對於微博)。可以通過這條微博有多少人評論轉發來判斷。
但微博作為壹個實時、即時的SNS產品，壹方面強調內容的質量，另壹方面也有參與度和粘性的問題需要考慮。
依賴於專家用戶反饋的推薦系統的實時性能必然會大大降低。
這也是為什麽各種微博過濾推薦產品的時機相當混亂的原因(包括新浪微博官方提供的興趣閱讀功能)。
這自然犧牲了很多用戶的感受。
而Zite這種產品形態，對實時性要求不高，所以不需要考慮這個問題。
2.用戶對高微博過濾的期待和Zite閱讀推薦還有壹個區別。
作為閱讀推薦，只要選擇壹些人氣高的文章，推送給用戶，就能很好地滿足用戶的期待。
如果錯過了壹些重要的熱點新聞，或者夾雜了少量用戶不關心的內容，只要有壹定的關聯性，就不會明顯降低用戶的閱讀體驗。
但是微博不壹樣。
微博用戶的關註度已經是用戶初步篩選的結果，他當然不想錯過這些用戶的任何重要信息；另壹方面，作為濾鏡形式的產品，用戶對其無關內容過濾能力的期望會相對苛刻。
基於以上兩點，微博濾鏡的用戶滿意度和及格線都比較高！3.再說人氣。除了人氣，還有壹些難以具體化的因素影響著用戶的喜好。
比如很多用戶可能都有這樣的經歷。壹條轉發量很低的微博，可能是我非常喜歡和認可的東西。
SNS的壹個重要特點就是用戶的喜好很大程度上取決於好友。
用戶對內容的識別往往取決於他對信息源的識別。
妳不得不承認，即使是妳在乎的用戶，在妳心目中的權重也是完全不同的。
問題是，哪些關註點是用戶的最愛？很多時候，鞋子好不好，只有腳知道。
用戶壹般不會告訴妳！4.臉書的EdgeRank算法是銀彈嗎？作為社交網絡的鼻祖，臉書也面臨著信息過載的問題。
它目前使用壹種叫做EdgeRank的推薦算法。
從原理和工作流程上來說，真的很簡單:妳對好友做出的任何壹個動作都叫壹個邊緣(包括評論、轉發、贊等。).根據不同的動作，妳做的每壹個動作都會計算出壹個分數。所有動作的累積分數表達了妳與該好友的相關性，這個總分數會影響該好友的微博是否容易出現在妳的時間軸中。
這個算法對於關系至上的SNS是有效的。
但是對於微博這樣的社交媒體，還有效嗎？5.用戶微妙的喜好不同。高度個性化的推薦，無論產品形態如何變化，最終目的都是為了深入掌握用戶的興趣。
要想徹底掌握用戶特征，除了加強技術手段進行識別，充分收集用戶數據也是非常重要的因素。
俗話說，巧婦難為無米之炊。
很多重要的用戶特征，比如用戶對某些細節的關註；或者用戶對某些特定用戶特別關註，不足以從他的歷史數據中得到明確的判斷。
這也增加了微博過濾的難度和復雜度。
我們來看看Zite是怎麽解決這個問題的。
Zite面向長網頁內容，用戶首先看到的是文章分類和標題，而不是正文。
用戶在進入文章前點擊標題開始閱讀。
這個自然的過程其實隱藏著壹個令人震驚的秘密——“我對這篇文章的內容感興趣”！是的，再聰明的用戶興趣識別算法，也需要和用戶不斷磨合反饋，傾聽用戶的聲音！但是微博過濾不好。微博篇幅短。強行增加壹個點擊通過的產品流程，無疑是用戶體驗上的自殺。
那麽給用戶壹個“喜歡”按鈕會解決這個問題嗎？我的答案是悲觀的，用戶的參與動力可能難以保證。
這需要結合第壹點(人氣)和第二點(用戶期待)。對於壹個初始狀態無法滿足用戶需求的產品，很難保證用戶的參與動機。
用戶的耐心是每壹次新品推廣中最昂貴的資源。
結論:要提高用戶需求的滿足度，必須具備高質量的用戶興趣識別能力。並且在第壹時間滿足用戶的某種需求，至少達到及格線；最後，產品還需要有很強的收集用戶特征(喜好)的能力，讓妳的每壹個試用用戶最終成為妳產品的忠實粉絲，從而感染身邊的人，幫助產品快速傳播。
做好社交推薦，三分技術，七分產品和運營