這是一個尷尬的時代，有人說。我們正在由信息爆炸的 Web2.0 走向信息收斂的 Web3.0 時代，在這一時代，整個互聯(lián)網的信息仍然在快速增長，但是對于個人而言，獲取所需的信息會更快速準確，即對個體而言，信息則是收斂的。同時，在這個時代，我們閱讀的目光也因為移動設備大肆出現，逐漸由傳統(tǒng)電腦屏幕轉向了移動設備屏幕上，那么在這個時候我們究竟需要什么樣的閱讀呢？

　　從 Web1.0 到 Web2.0

　　如果說 Web1.0 是一個內容匱乏的時代的話（需要編輯或者專業(yè)人士來建設互聯(lián)網內容），那么 Web2.0 就是一個信息爆炸的時代，各種 UGC 形式的涌現讓所有人都成為了內容的創(chuàng)造者，專業(yè)編輯逐漸被邊緣化。而隨著互聯(lián)網的信息的飛速膨脹，在標榜著多人貢獻的 Web2.0 時代，另一個問題出現了：信息過多導致了信息重復和信息過載。所謂的過載，其實是無法篩選信息而造成有價值的信息減少，接收到的大多信息都是無意義或價值低的。這一點在以前的 Web1.0 是幾乎不存在的，因為除了信息量比較少外，在 Web1.0 時代，由編輯或專業(yè)人士審核把關的內容其實是一層過濾，信息的生產和流通遵循著“先過濾后發(fā)布”原則， 而在 Web2.0 時代，確是“先發(fā)布后過濾”，而這個過濾到機制從從最早的 RSS 訂閱模式到稍后的 Digg 等根據熱度和時間進行的聚合網站，逐漸發(fā)展到現在的以社會化推薦和個性化推薦為主的模式，它們都一直沒有很好的消除掉信息過載的問題。

　　當下主流閱讀模式

　　以好友推薦為主的社會化推薦（Social Graphs）

　　以 Flipboard 為代表，它通過分析用戶在社交網絡，包括像 Facebook、人人網等社交網站以及 Twitter、新浪微博等微博服務等上面的好友的信息作為信息源，直接抓取某些鏈接背后的文章或圖片后重新編整組織，再以新版面呈現出來。因為 SNS 是基于親朋好友和自己可能會有共同興趣或共同關注的好友，因此這些內容的相關度會較高，也更貼近個人興趣。

　　以算法推薦為主的個性化推薦（Interest Graphs）

　　以 Zite 為代表，它通過分析用戶對不同來源/不同主題的信息進行的收藏/轉發(fā)/忽略/屏蔽等行為數據來計算出用戶的喜好， 對用戶的社交關注/新聞訂閱等初次篩選的數據進行再次篩選， 為用戶推薦相關度更高的信息。

　　主流閱讀模式的缺點

　　SNS 和基于 SNS 的信息源不適合閱讀

　　基于社交網絡的推薦是不靠譜的，除了好友數量不會太多造成信息面較窄外，將社交網絡信息流作為閱讀信息源從本質上也是值得商榷的。因為很多人其實已經被 SNS 這個群體性的平臺所腐蝕，就像勒龐的《烏合之眾》所說的那樣，”群體不善推理，卻急于行動”，個人在融入群體性的微博后情感和思想會轉向群體所有的公共方向，更加容易沖動、易變、輕信、急躁、偏執(zhí)、專橫、感性、極端化、不允許懷疑和不確定存在，好比生物的低等狀態(tài)。這與組成群體的個體素質無關，這時候其決定作用的是本能和情感，是一種“無意識”的層面，而不是理性。

　　因此很多情況下，你所看到的信息都是被左右過的，尤其以微博為甚的 SNS 大染缸，很多信息進去后經過在被暗示和放大后的各種評論、轉發(fā)、修改、再轉發(fā)后會變得肢解、曲解，甚至會因為缺失和斷章取義變成謠言。任何力量的過度放大，都會模糊背后的真實，因此我們需要更多冷靜、理智和客觀的信息，而不是這種無法保證被左右過的信息源。

　　推薦算法是萬能的嗎？

　　或者你會說，我們還有算法，聯(lián)想到未來可能會到來的基于語義搜索、數據挖掘和智能匹配的 Web3.0 完全個性化時代，很多人也都看好它。誠然現在和未來的趨勢都是以算法推薦為主的，但是在當下，算法并不是萬能的。例如國內以優(yōu)質算法著稱的豆瓣，絕大部分上充當推薦角色的還是你的友鄰，而不是經常不靠譜的豆瓣猜。當下算法還不能完全承擔起推薦的重任，畢竟算法是死的，很多時候一點點意外就會造成嚴重的匹配偏移。例如現在的閱讀應用都是需要個人用里面提供的“源”或自定義的“源”來聚合后才能形成個性化定制的信息“流”，在這種以算法為主的篩選過程，單個及多個應用內的重復“源”讓定制的難度增大，需要磨合的時間變長，一旦你的興趣產生一點變化，這個偶然的打斷會使得過濾機制出現紕漏，因為算法還沒有智能到可以識別一些例外。

　　社會化/個性化閱讀的問題

　　其實在現在，幾乎所有的閱讀應用中關于社會化閱讀和個性化閱讀兩者都兼有，像鮮果、Zaker、網易閱讀等，沒有太多的差異化。誠然，這些應用中完備的使用偏好設置，可以給用戶帶來個人定制化的良好體驗。但是它依舊會造成信息重復、降低信息質量、產生回音室效應并使得意外發(fā)現的內容減少。

　　1. 造成了信息重復

　　在當下的閱讀應用里除了社會化和個性化閱讀模式外，還包含了 Google Reader RSS 閱讀 和 Read it Later（Pocket）稍后閱讀等功能，部分甚至把傳統(tǒng)閱讀應用的書城模式都添加了進來。一鍋燴的后果是造成了很多信息重復，此外很多頻道的內容也是各種重復，這種重復不僅是浪費了時間和精力，它還會造成一定程度上的信息焦慮煩躁等。

　　2. 降低了信息質量

　　與 Web2.0 網站類似，很多閱讀應用在抓技術，抓產品，抓市場的同時卻忽略了內容本身，或者說是保證了內容數量，忽視了內容質量。要知道真正吸引用戶永遠是 80-20 準則里的那 20％ 的內容。無論是信息還是科技，我們所要永遠都是那一小撮高品質的東西，而不是沉浸在全盤的大雜燴中。

　　3. 未消除信息過載

　　信息過載的究其原因是過濾機制不合理，那么基于社會化分享和個性化定制的過濾機制能否消除信息過載呢？不能，現在的你隨便打開一個應用肯定還是滿眼的頻道，很多關鍵字聚合也是從一些頻道里直接機器全盤抓取的，至于像數碼、科技、互聯(lián)網這樣的分類不準確的重復頻道聚合更是常見，此外從新浪微博等社交網絡里獲得信息更是經常與前面的信息所重復，可以說當下的閱讀應用對消除信息過載的幫助并不是很大。

　　4. 產生回音室效應

　　這樣的個性化和定制化工具存在風險，因為它們會產生回音室（echo chamber）的效果，即我們只讀我們想要閱讀的東西，因此只會聽到我們想聽到的討論。信息或想法在一個封閉的小圈子里一直得到加強，自我的意識會減少。這種算法主導的過濾會減少我們擴展視野的內容，導致你自己生活在一個封閉的圈子里，想著你所想的永遠都是正確的。例如只生活在新聞聯(lián)播、環(huán)球時報、參考消息里的人他們所看到的永遠都是那么幾條新聞。

　　5. 意外發(fā)現的減少

　　在日常閱讀中我們經常會有一些我們沒有預料到會出現的信息，我們稱之為“意外發(fā)現”，這種意外發(fā)現的內容很多時候給我們的印象更深意義更大。而以算法為主的推薦在“意外發(fā)現”要弱于以人為主的內容生成（意外與算法暫時是有沖突的），長此以往，我們的信息接觸面可能會日漸狹窄、同質化，從而失去了發(fā)現帶給我們靈感和驚喜的新信息的機會。此外，對于個人興趣范圍的擴展也是相當不利。

　　從電商導購我們可以學到什么？

　　那么當下這種閱讀模式應當如何改進呢？其實可以從時下最熱的電商上學習。近來我們可以看到在電商導購領域，編輯精選的實例越來越多，包括以雜志思維做導購的果庫、走 PGC 專業(yè)生產內容的 LC 風格網、依舊是以編輯主導的逛，即使走用戶生產內容的美麗說和蘑菇街在最后一步也是通過人工編輯的方式來挑選出最終的商品。就像果庫聯(lián)合創(chuàng)始人廖錦有所說的那樣“在資訊泛濫的現在，編輯力的作用是一定會放大的，我們相信內容的力量。”

　　其實在閱讀里面也應該有更多的像電商導購那樣的編輯精選，因為從本質上說你想閱讀的信息或文章和你想購買的商品是等同的。例如東西網新版，其目的就很明確，想在信息過剩的時代重歸“精品閱讀”。在當下這個信息過裕的時代，如果沒有這種精品篩選的話，我們的閱讀會比以前信息匱乏時代更加難以進行。

　　信息提供者如何進行精選？

　　1. 增大專業(yè)編輯人員進行更多的人工精選；

　　2. 增大人工精選所占比例；

　　3. 改進機器篩選算法，將部分信息站點的全站源抓取改為對應某單一高質量作者源抓取。

　　新時代的編輯力

　　整體來說就是現在的移動閱讀應用除了社交化、個性化還應該更多提升編輯力，一些頻道應該以人工審核文章為主，而不是簡單的 RSS 站點抓取聚合或籠統(tǒng)泛濫的關鍵字篩選，就像@范懌Ryan 說所的一個信息站點輸出的不應該是品牌而是以文章為主，以作者為主，應該是一張紙一張紙的去消費的內容。聚合不應以機器為主，而以人工為主，因為算法在精選這方面的暫時還是遠遠與專業(yè)的人工相比的。這種由編輯主導的自上而下的推薦模式是可以迎合占多數普通用戶的胃口的，而剩下的少數用戶依舊可以利用原有的個性化過濾機制來滿足其需求。

　　這種回歸 Web1.0 的編輯精選并不是逆潮流，在當下信息泛濫的時代，尤其在語義網絡和算法根本達不到人們所需要的時候，這種最傳統(tǒng)的回歸就尤為重要。而最近的東西網新版、讀書馬上、每日一問和悅讀 FM 等類似的精選閱讀網站和應用的出現似乎在印證著這一模式。未來相信類似的垂直網站和應用會出現更多。

　　來源：極客公園，原文鏈接。