针对之前腾讯科技新闻首页的改版，业界有不同的看法和评判。有人喜欢腾讯的新面貌，认为，栏目更集中更清晰，信息也更加个性化。但也有人对这种动作不屑一顾，因为，腾讯根本没有实现信息的个性化推荐，所谓的个性化只是一个噱头。

不管外界如何评说，但腾讯科技是这样描述自己改版的目的：

首先，要缓解信息厌倦症。腾讯科技致力于提供高质量、可信赖、精加工的科技资讯；

其次，告别信息低效症。腾讯科技致力于化繁为简，提供有明确价值指向、鲜明判断的科技资讯；

最后，追求信息的个性化。腾讯科技致力于提供具备阅读趣味、性感直观的个性化科技资讯。

腾讯科技门户如今已有大量的用户，也在为用户提供比较高质量的资讯，但这个程度只能说明腾讯在用户积累阶段表现完美，且忠实用户越来越多，这是前提。但是，高质量不等于个性化，有了用户数据为基础，经过未来很长一段时间的努力和技术上的突破才能实现个性化，目前所说的个性化只是个模糊的概念而已。

所以，在信息如此海量和冗余的互联网时代，何谓个性化信息？何谓个性化新闻？所谓，个性化，就是人与人所得到的信息不尽相同，因人而异，每个人收到的推荐内容完全是按照个人的喜欢和品味而来的。

也就是说，首先了解了你喜欢什么（财经或科技）然后我就推荐什么内容（财经新闻或科技新闻），首先了解了你的品位（高或低）然后我就推荐什么内容（高雅深度或低速浅显）。但所有这些前提必须是平台通过对用户数据收集、分析、挖掘、追踪等等来了解每一位用户对新闻或信息的真正需求、喜好、品味，这是第一步，然后才能谈个性化内容推荐。

这才是真正意义上的个性化新闻和个性化信息。而个性化新闻或个性化信息代表了未来信息资讯发展的一个重要方向。因为，在如此繁杂的时代，我们面对太多东西的挤压，已经没有力气和精力再去挑选我们真正需要的信息。

然而，个性化推荐的前提：对每位用户需求、喜好、品味等等的掌握和了解，在技术上来说是个很大的挑战，也是个性化内容推荐真正实现首先要解决的问题。另外，即使在技术上掌握了这些，但是之后如何向每个用户推荐不同的信息在技术上也是很大的难题，因为用户数量众多，这些都必须靠算法和技术来完成，以保证量化和时效。

如果靠人工，那几乎是不可能完成的事情，且成本之大无法想象。所以，如果能将用户需求喜好分析和后期针对性的推荐融为一体，靠一个标准化的算法或模型来实现，那么真正的个性化阅读、个性化新闻、个性化内容推荐时代真的已经触手可及了。

前面讲了这么多，当然只是铺垫，让大家了解真正的个性化内容推荐到底是什么？要做到这个目标的话困难在哪里？

而接下来讲到的一个新技术，已经可以初步实现真正的个性化新闻推荐了。也就是，能给以上疑问和难题一个有希望的答案。它或许将是未来新闻发展的一个福音。

为了减轻用户选择信息上的痛苦，西班牙马德里技术大学和一些大的媒体公司的研究人员共同开发了一个新模型，它根据每个用户观看媒体上图片和视频的内容以及这些图片视频内容的特征来判断每个用户的喜好，然后向每个用户推荐与自身喜好、品味等高度相关且可靠的内容。

传统的推荐系统通常使用：语义技术、与用户兴趣相似的标签，以及使用用户群集体智能的算法。然而，这种传统的系统推荐内容适合给那些有相似喜好的人群，而不是按照每个人的喜好来推荐。也就是说，传统的方法只能给某个相似群体推荐信息，但做不到真正的个性化推荐。也是基于目前这种技术上的现实问题，研究人员才着手开发个性化推荐模型。

值得强调的是，该推荐模型并不是从用户自己公开的偏好信息中得到数据的，也不是像传统方法那样去刺激用户或在用户观看内容期间打扰用户而获得的，而是通过深度分析用户观看的视听内容的特点来完成的。

这些特点恰恰是可以对用户产生影响的，并且研究人员已经证明这些内容的特点可以决定人们的审美趋势，而往往在分析用户口味的时候，这些特点通常会被忽视，没有被考虑在分析内。而这些信息往往也是用户意识不到的，但它们可以决定用户的审美和哪些特殊的内容有关系。

比如，在一部电影里，叙事节奏信息（镜头的长度、场景和叙事顺序）、运动（摄像机的运动或镜头内容的运动）、图像的性质（亮度、颜色、纹理、图像质量）等这些描述符号信息都是和每个用户的偏好信息存在关联的。

一旦这些图像中的描述符号被标准化，它们就能处理并且产生大量的分析数据，能让研究人员通过某种形式（比如图表或曲线）来描述内容的特征，并找到内容对每个用户产生的影响程度，以及找到用户偏好哪些特征。

但这些偏好是根据用户消费内容趋势（比如某段时间用户看娱乐类内容，某段时间看时政新闻内容）的变化而动态变化的。所以，为了抓住这些偏好变化，研究人员就创造了一个概率模型，通过使用人工智能技术就能推断出用户的偏好模式，从而抓住用户的偏好变化。

研究人员对用户偏好特征结果进行分析，并分析这些偏好特征与不同内容之间的关系，他们发现，这些利用用户消费数据的隐含式方法比那些给用户偏好进行评级的数据更准确可靠，因为这些测量用户偏好的测量方法更客观，消除了那些能影响内容选择的社会和文化的影响因素。

一旦用户的偏好和内容特性被设置后，该模型就可以通过挖掘这些数据产生新的推荐信息。要达到这样精确的目的，最重要的就是要考虑审美因素的影响，也要考虑创建个性化统计系统的需要，按照这些偏好特征的影响，使得推荐标准可以根据每个用户的不同而变化。

目前，该模型已经应用到不同的场景，比如电视内容的推荐、互联网搜索引擎、多平台视听内容等。其有效性已经通过真实用户的测试以及在许多真实情境下得到了证实。该系统已经在70000多个真实用户身上进行过测试，并且用100多万个内容（来自奥运会、网络游戏、互动电视等）进行了评估，研究结果发现，该模型表现很好，已经达到了有史以来最高的精度。

当然，该技术只是在个性化内容推荐上迈出了很大一步，因为它可以完全按照每个用户的偏好不同进行推荐，而不是按照群体类似的偏好进行集体推送，这是一个大进步。但是，要真正实现完全意义上的个性化新闻、个性化信息推荐，还有一段不短的路程要走，比如推荐内容的来源问题，如何把互联网上海量的信息整合起来、分类、分析，然后按照无数个体的需要逐一推送，等等。