作為新聞業(yè)在數(shù)字環(huán)境下“后臺(tái)前置”的下一個(gè)階段——“把關(guān)后移”的主體，平臺(tái)媒體（plaTIsher）的新聞推送業(yè)務(wù)大多基于用戶的使用慣習(xí)，通過(guò)算法預(yù)測(cè)用戶感興趣的信息和話題，再將其推送給用戶。逐漸轉(zhuǎn)型為平臺(tái)媒體的社交媒體在現(xiàn)有的模式下很大程度上主導(dǎo)著新聞內(nèi)容的聚合與分發(fā)，其身份和功能的主要定位是通過(guò)對(duì)于用戶偏好的精確匹配，從海量過(guò)剩的信息洪流中將用戶最關(guān)心、最適合用戶接收的信息甄選出來(lái)。這種模式目前備受推崇。

美國(guó)皮尤研究中心《2016美國(guó)社交媒體平臺(tái)新聞使用報(bào)告》顯示，62%的美國(guó)成年人從社交媒體上獲取新聞，F(xiàn)acebook成為最大的新聞入口；今年8月易觀發(fā)布的《中國(guó)移動(dòng)資訊信息分發(fā)市場(chǎng)專題研究報(bào)告2016》顯示在國(guó)內(nèi)資訊信息分發(fā)市場(chǎng)上，算法推送的內(nèi)容已經(jīng)超過(guò)了50%；路透新聞研究院的調(diào)查顯示，雖然對(duì)于算法推送新聞確實(shí)存在算法審查（Algorithmic Censorship）、平臺(tái)偏向（platform bias）、信息繭房（informaTIon cocoons）以及回音壁（echo chamber）的擔(dān)心，但人們尤其是年輕人，更加愿意使用和相信根據(jù)算法生成和推送的內(nèi)容。

對(duì)傳媒業(yè)而言，大概沒有一個(gè)時(shí)代比今天更強(qiáng)調(diào)技術(shù)的作用。

各大資訊平臺(tái)全面發(fā)力算法，希望從這個(gè)呼嘯而至的智媒時(shí)代分一杯羹。無(wú)論是4月剛獲得10億美元D輪融資的今日頭條，還是上線不到兩年就躋身資訊應(yīng)用前三甲的天天快報(bào)，亦或一點(diǎn)資訊、網(wǎng)易號(hào)、百家號(hào)等等各自圈地的新產(chǎn)品們，都無(wú)一不強(qiáng)調(diào)自己的技術(shù)屬性和渠道分發(fā)優(yōu)勢(shì)，算法面前，內(nèi)容為王的聲音似乎小了許多。

在巨頭們爭(zhēng)相建設(shè)生態(tài)的博弈中，優(yōu)質(zhì)自媒體、專業(yè)媒體成為被爭(zhēng)奪的對(duì)象，但同樣也面臨著選擇：與平臺(tái)合作，與算法共謀，還是繼續(xù)顧全“酒香不怕巷子深”的臉面？從實(shí)際情況上看，國(guó)內(nèi)國(guó)外在這一點(diǎn)上有頗多相似之處，多數(shù)內(nèi)容生產(chǎn)者、生產(chǎn)機(jī)構(gòu)的選擇是在新的生態(tài)中尋找自己的舒適區(qū)，這意味著不得不接受這套生態(tài)系統(tǒng)下的叢林法則。

推薦算法是計(jì)算機(jī)專業(yè)中的一種算法，通過(guò)一些數(shù)學(xué)算法，推測(cè)出用戶可能喜歡的東西。推薦算法主要分為6種：基于內(nèi)容推薦、協(xié)同過(guò)濾推薦、基于規(guī)則推薦、基于效用推薦、基于知識(shí)推薦和組合推薦，本文選取兩種常用的介紹：

1基于內(nèi)容的推薦算法

原理是與用戶喜歡和自己關(guān)注過(guò)的Item在內(nèi)容上類似的Item，比如你看了一條關(guān)于“成都限購(gòu)政策出臺(tái)”的新聞，基于內(nèi)容的推薦算法發(fā)現(xiàn)一條關(guān)于“限購(gòu)后這些新盤價(jià)格遠(yuǎn)低于預(yù)期 高新區(qū)某盤不到一萬(wàn)”的新聞與你以前觀看的新聞在內(nèi)容上面（共有很多關(guān)鍵詞）有很大關(guān)聯(lián)性，就把后者推薦給你。

2協(xié)同過(guò)濾算法

原理是用戶喜歡那些具有相似興趣的用戶喜歡過(guò)的新聞，比如你的朋友或你關(guān)注的人喜歡體育類的新聞，那么就會(huì)推薦給你，這是最簡(jiǎn)單的基于用戶的協(xié)同過(guò)濾算法（user-based collaboraTIve filtering），還有一種是基于Item的協(xié)同過(guò)濾算法（item-based collaboraTIve filtering），這兩種方法都是將用戶的所有數(shù)據(jù)讀入到內(nèi)存中進(jìn)行運(yùn)算的，因此成為Memory-based Collaborative Filtering，另一種則是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚類，SVD，Matrix Factorization等，這種方法訓(xùn)練過(guò)程比較長(zhǎng)，但是訓(xùn)練完成后，推薦過(guò)程比較快。

一般做新聞推薦有三種策略：

1基于內(nèi)容的推薦

也可以叫做基于用戶畫像的推薦，意思就是根據(jù)用戶的歷史點(diǎn)擊記錄，總結(jié)出用戶的喜好，也就是用戶畫像，計(jì)算每個(gè)新聞與用戶畫像的相似度，將相似度最高的新聞推薦給用戶；

2協(xié)同過(guò)濾推薦

就是找到和用戶興趣相似的群體，然后把這個(gè)群體喜歡的推薦給這個(gè)用戶；

3熱門推薦

還有另外一種新聞推薦常用的方法就是熱門推薦，這個(gè)是設(shè)置一個(gè)時(shí)間窗口，統(tǒng)計(jì)在過(guò)去一段時(shí)間所有新聞的點(diǎn)擊量，把點(diǎn)擊量最大的新聞推薦給用戶；