自從互聯(lián)網商業(yè)化發(fā)展以來，不論是新聞客戶端、視頻網站或是電商平臺……所有的平臺，都是把自己默認為一個優(yōu)秀的飼養(yǎng)員，它按照自己的想法，把內容（飼料）Push（喂）給用戶。
 
這些飼養(yǎng)員都是受過訓練的專業(yè)人士，行話叫做---由網站編輯為用戶設置議程，按照大多數(shù)用戶的口味挑選內容。
 
后來編輯實在忙不過來，采用機器幫忙---最簡單的機器方式則是“熱門推薦”，比如按照點擊量或其它數(shù)據(jù)來做排序。
 
飼養(yǎng)員模式最大的問題是不知道食客胃口如何，這會導致兩個顯著的后果：一是食客不滿意，用戶個性化需求不能得到滿足；二是自身資源浪費，大量長尾資源長期得不到曝光，增加沉沒成本。
 
有人發(fā)現(xiàn)了機器的好處。機器可以是根據(jù)用戶特征來推薦內容。正如一個高明的廚子可以根據(jù)每一個食客的口味提供飯菜，如果機器足夠聰明，在一定程度上可以解決所有用戶的個性化需求。這豈不是內容產業(yè)的C2M？
 
準確的說，這是內容分發(fā)的C2M，它以單個用戶為對象進行溝通，跳出了大眾傳播/分眾傳播窠臼，是不是足以革了所有的搜索引擎和門戶網站的命？
 
這種智能化的內容C2M有深刻的時代背景。今天，你已經站在時代邊緣，眼睜睜的看著AI技術點燃了IOT的引線，接下來你將發(fā)現(xiàn)自己無可拒絕的進入下一個信息核爆的時代：信息終端爆炸、信息規(guī)模爆炸、信息平臺爆炸……
 
在信息高速公路上，你開過的車，你走過的路，全都變了規(guī)則，你所熟悉的一切的基于飼養(yǎng)員模式的知識框架都面臨顛覆。
 
在這個時代，飼養(yǎng)員模式已經失靈了，聰明的機器將成為最大的變量。
 
第一個出現(xiàn)的場景是人類生產內容，機器分發(fā)內容。
 
下一個出現(xiàn)的場景是機器生產內容，機器分發(fā)內容。
 
內容產業(yè)面臨C2M革命，行不行？
 
“當然不行，機器很蠢?！比绻氵@樣想，那么很遺憾，你注定是看不到明天的太陽了。
 
“當然行?！比绻氵@么想，那么祝賀你掉進坑里了。
 
真實的情況，你可能意想不到。
 
一、內容C2M之路本質是走向個體化溝通
 
作為一個獨立的研究方向，推薦系統(tǒng)的源頭可以追溯到90年代初的協(xié)同過濾算法，中期的代表則是傳統(tǒng)的機器學習算法，比如Netflix大賽所推動的隱語義模型，現(xiàn)在則是更加復雜的深度學習模型。
 
近些年，深度學習突飛猛進，使得機器推薦變成了整個互聯(lián)網的太陽。在新技術的推動下，個性化溝通也變得更加可行，而且越來越接近單用戶溝通。
 
（一）協(xié)同過濾蹣跚起步
 
按照百科詞條解釋，協(xié)同過濾是利用用戶群體的喜好來為你推薦感興趣的信息，這些用戶要么興趣相投、要么具有共同經驗，然后網站結合你的反饋（如評分），進行過濾分析，進而幫助別人篩選信息。
 
當然，用戶喜好不一定局限于特別感興趣的信息，特別不感興趣信息的紀錄也相當重要。協(xié)同過濾表現(xiàn)出了出色的效果，開始在互聯(lián)網行業(yè)稱王稱霸。
 
起先，協(xié)同過濾應用于郵件過濾。
 
1992年，施樂公司的科學家提出了Tapestry系統(tǒng)。這是最早應用協(xié)同過濾系統(tǒng)的設計，主要是解決Xerox公司在Palo Alto的研究中心資訊過載的問題。這個研究中心的員工每天會收到非常多的電子郵件卻無從篩選分類，于是研究中心便發(fā)展這項實驗性的郵件系統(tǒng)來幫助員工解決這項問題。
 
接著，協(xié)同過濾思路開始應用于內容推薦。
 
1994年，美國Minnesota的GroupLens項目組創(chuàng)辦了一個新聞篩選系統(tǒng)，這個系統(tǒng)可以幫助新聞的閱聽者過濾其感興趣的新聞內容，閱聽者看過內容后給一個評比的分數(shù)，系統(tǒng)會將分數(shù)記錄起來以備未來參考之用，假設前提是閱聽者以前感興趣的東西在未來也會有興趣閱聽，若閱聽者不愿揭露自己的身分也可以匿名進行評分。作為最老牌的內容推薦研究團隊，GroupLens于1997年創(chuàng)建了電影推薦系統(tǒng)MovieLens，還有性質相近的音樂推薦系統(tǒng)Ringo，以及影音推薦系統(tǒng)Video Recommender等等。
 
后來，出現(xiàn)了另一個里程碑——電子商務推薦系統(tǒng)。
 
1998年，亞馬遜的林登和他的同事申請的基于物品的協(xié)同過濾（item-to-item）技術專利，是亞馬遜早期使用的經典算法，一度引爆流行。
 
協(xié)同過濾算不算人工智能？從技術的角度來看，它也屬于AI范疇。但必須指出的是協(xié)同過濾算法比較弱智，無論是基于用戶的協(xié)同過濾，還是基于物品的協(xié)同過濾，推薦效果總是差強人意。
 
怎樣通過一個成體系的方法論來引導推薦系統(tǒng)的不斷優(yōu)化？如何才能把復雜的現(xiàn)實因素糅合到推薦結果中？攻城獅們一度非常非常頭大，重賞之下必有勇夫，后來，終于有人發(fā)現(xiàn)了更加靈活的思路。
 
（二）傳統(tǒng)機器學習開始加速
 
2006年，Netflix宣布舉辦Netflix Prize。Netflix是一家老牌的在線影片租賃網站，舉辦大賽的目的旨在解決電影評分預測問題的機器學習和數(shù)據(jù)挖掘問題。主辦方為此下了血本，宣稱對于那些能夠將Netflix的推薦系統(tǒng)Cinematch的準確率提升10%的個人或團隊，獎勵100萬美元！