面对这一问题， YouTube和Facebook提出了新解决思路：运用深度学习，制造聪明的机器。近十年来，深度学习已经取得了巨大的飞跃，对于解决大数据量更有优势。

如果说人工内容推荐如同司机开车，那么深度学习所带来的内容推荐，则如无人驾驶汽车。在这种技术是利用用户数据来“感知”用户喜好，其推荐系统基本可以分为数据层、触发层、融合过滤层和排序层，当数据层生成和存储的数据进入候选层后，也就触发了核心的推荐任务。

以YouTube为例，其最新公开的推荐系统算法由两个神经网络组成，一个用于候选生成，一个用于排序。首先，以用户的浏览历史为输入，候选生成网络可以显著减小可推荐的视频数量，从庞大的库中选出一组最相关的视频。

这样生成的候选视频与用户的相关性最高，再进一步对用户评分进行预测。这个网络的目标，只是通过协同过滤提供更广泛的个性化。排序网络的任务则是仔细分析候选内容，精选出少量最优选择。具体操作为根据视频描述数据和用户行为信息，使用设计好的目标函数为每个视频打分，将得分最高的视频呈献给用户。

在这种模式下，机器全然接管了平台。在深度学习的持续训练下，机器越来越聪明，与人打交道的智商会逐渐提升，在某种意义上也逐渐承担起看门狗的责任。

二、内容产业是否即将被C2M颠覆

世界之大无奇不有，美国得克萨斯州科珀斯—克里斯蒂市一家银行的一台自动取款机（ATM）竟然在11日吐出了字条，上面写着“救我”，这条新闻很快传遍中文网络，成为许多网站的头条。

你需要从N个网站上看到一模一样的文章吗？

这些冗余的信息消耗了你的精力和流量，就像你打开任何一个电视频道，都能看到许多方便面广告一样，让人很难从大量的信息中快速找到自己想要的内容。

如何解决用户信息冗余的尴尬？

过去曾经有许多不成功的技术方案，个人门户昙花一现，RSS订阅不成气候，跨站跟踪上不了台面。能引领未来者，只有C2M。

C2M模式可以像今日头条这样应用于全网，也可以像Facebook那般基于巨头的平台。其核心就在于基于用户行为习惯、特征和诉求，对海量的信息进行提取、分拣然后传递给用户，这是克服痛点的秘密。

但质疑的声音也不少。比如有观点认为，协同过滤这样的推荐容易让用户形成信息茧房、无法识别阅读场景、即时性差、耗时长等缺点，而今日头条这样的模式也常常被诟病，还要应付难以捕捉的用户兴趣、用户数据的隐私和管理等多项挑战。

支持和质疑各执一端，孰是孰非？未来虽有两大机遇，但是目前要跨越三座大山。

1. 支持的理由如下：

① 千人千面，众口可调。

个性化的内容推荐机制能够根据用户的喜好为其推荐信息。通过各种算法，通过分析用户的历史行为，对比相关用户和相关物品猜测用户可能喜欢的内容，列出候选集并进行验证，用户可以得到较为准确的内容，使信息分发做到千人千面，实现内容与用户的精准连接，而不是传统意义上的千人一面般的投放。

② 海里捞针，提高效率

个性化推荐省去了用户在海量信息中进行提取和搜寻的环节。用户无需在海量信息中摸针，在一定程度上为用户去除了部分无用信息，缩小了用户信息搜索的范围，提高了用户的阅读效率。

③ 投其所好，增强粘性

不断为用户推荐适合他的内容能够增加用户粘性。个性化推荐技术通过算法进行用户感兴趣的内容的精准推荐，帮助用户快捷发现感兴趣的内容，当你看完一个内容后，会立马给你推荐相关的东西，可以增加用户粘性，提高用户体验。

④ 挖掘长尾，打破两极

个性化推荐能够通过相关算法帮助用户挖掘长尾内容，避免两极分化的马太效应。当A用户喜欢比较冷门的长尾内容，而B用户又有跟A用户有相同或相似的兴趣和行为习惯时，系统就能够把A用户喜欢的冷门内容推荐给B用户，这样就使冷门内容得到更多的曝光，帮助用户发现更多的长尾内容，避免内容生产生态两极分化。

⑤ 双向交流，深度优化

基于用户进行个性化推荐是对用户进行深度分析和交流的结果，提升了用户的交互式体验。传统的人工推荐是遍地撒网地推荐，没有对用户进行细致地划分和筛选，机器推荐以用户特点和习惯为基础进行推荐，用户能够得到双向的交流和沟通，用户的行为也能对下一步的推荐产生影响，在一定程度上得到了反馈，提升了用户的交互式体验。

⑥ 分门别类，运营细化