自從互聯網商業化發展以來，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秀的飼養員，它按照自己的想法，把內容（飼料）Push（喂）給用戶。
 
這些飼養員都是受過訓練的專業人士，行話叫做---由網站編輯為用戶設置議程，按照大多數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據來做排序。
 
飼養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。
 
有人發現了機器的好處。機器可以是根據用戶特征來推薦內容。正如一個高明的廚子可以根據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。這豈不是內容產業的C2M？
 
準確的說，這是內容分發的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，接下來你將發現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，全都變了規則，你所熟悉的一切的基于飼養員模式的知識框架都面臨顛覆。
 
在這個時代，飼養員模式已經失靈了，聰明的機器將成為最大的變量。
 
第一個出現的場景是人類生產內容，機器分發內容。
 
下一個出現的場景是機器生產內容，機器分發內容。
 
內容產業面臨C2M革命，行不行？
 
“當然不行，機器很蠢。”如果你這樣想，那么很遺憾，你注定是看不到明天的太陽了。
 
“當然行。”如果你這么想，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，推薦系統的源頭可以追溯到90年代初的協同過濾算法，中期的代表則是傳統的機器學習算法，比如Netflix大賽所推動的隱語義模型，現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）協同過濾蹣跚起步
 
按照百科詞條解釋，協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。協同過濾表現出了出色的效果，開始在互聯網行業稱王稱霸。
 
起先，協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。這是最早應用協同過濾系統的設計，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，于是研究中心便發展這項實驗性的郵件系統來幫助員工解決這項問題。
 
接著，協同過濾思路開始應用于內容推薦。
 
1994年，美國Minnesota的GroupLens項目組創辦了一個新聞篩選系統，這個系統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，系統會將分數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年創建了電影推薦系統MovieLens，還有性質相近的音樂推薦系統Ringo，以及影音推薦系統Video Recommender等等。
 
后來，出現了另一個里程碑——電子商務推薦系統。
 
1998年，亞馬遜的林登和他的同事申請的基于物品的協同過濾（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。但必須指出的是協同過濾算法比較弱智，無論是基于用戶的協同過濾，還是基于物品的協同過濾，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的不斷優化？如何才能把復雜的現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，終于有人發現了更加靈活的思路。
 
（二）傳統機器學習開始加速
 
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據挖掘問題。主辦方為此下了血本，宣稱對于那些能夠將Netflix的推薦系統Cinematch的準確率提升10%的個人或團隊，獎勵100萬美元！