“
digg采取的是用户驱动(user
driven)的机制,它设置了一个新闻源的缓冲,用户提交的新闻首先进入这个缓冲,如果认同这一新闻的读者足够(digg通过一种类似民主投票的方式来
表示对新闻的支持和认可,这一过程叫做digg),就会从缓冲中脱颖而出,出现在digg页面上,否则就逐渐被挤出新闻源缓冲。直观的
说,slashdot由管理员控制,而digg则将权力下放给用户。这两种不同的新闻提交机制,衍生出不同的社区文化。由于用户的高度自主性,以及和
blog、website的有效集成,digg对最新的网络资讯反应非常迅速,例如,某个新出现的网络服务开始发放邀请了,某个网络服务有了重要的更新,
某种新产品登场了等等。任何人都可以将任何有趣的资讯提交到digg(资讯的输入),任何人都可以对这些资讯进行评论或投票(资讯的处理),任何人都可以
将这些资讯通过digg发布到自己的blog或者website(资讯的输出)。”
——
百度百科早期的digg其实就是一个wiki,所有的内容都由用户创造完成,这是它的本质所在,也是它区别于旧有的新闻网站最大的不同。投票机制在我看来更多的是为了提供更好的用户体验,使得用户感受到是在“当家做主”(其实不采用投票,而通过点击率来进行新闻排名也是可以的)。
现在的digg新加入了一个recommendation engine。推荐系统会自动的分析用户的投票行为,用机器学习的算法来发现用户的偏好和习惯,然后自动的推荐用户可能感兴趣的新闻。在我看来,这种全新的模式在wiki的基础上往前迈进了一大步。以前的digg或者是wiki,用户更像是义工;而现在的digg,更像是用户在和网站做交易。一方面,用户在为新闻投票,为这个网站做贡献,另一方面,用户也能够得到好处,可以更加容易的找到自己感兴趣的内容。用户不仅能从自己的行为中受益,而且会感觉和网站之间有了更好的互动。
以前的digg存在着一定的缺陷,1%到2%的用户就可以引导整个社交新闻网站的走向,也就是说,一个专门的团体可以很轻易地操纵社交新闻网站。这个问题很容易理解,因为并不是所有的用户都有时间去投票,都愿意去奉献。但在新的模式下,也许这个问题会得到一定缓解。因为用户能够感受到投票这个行为会对自己产生价值。
wiki+recommendation engine,可以把它称为web2.0的扩展,也可以叫它web3.0。但其实名字不重要,重要的是这种模式代表着未来发展的方向。
分享到:
相关推荐
Improving+Recommendation+Diversity+via+Determinantal
1-2+Knowledge+Graph+Based+Explainable+Recommendation
深度学习推荐系统
这个是 Flume 系列的练习文件
During the course of the book, you will create simple recommendation engine, real-time recommendation engine, scalable recommendation engine, and more. You will familiarize yourselves with various ...
During the course of the book, you will create simple recommendation engine, real-time recommendation engine, scalable recommendation engine, and more. You will familiarize yourselves with various ...
Spotify-Recommendation-Engine:音乐推荐系统
Event Recommendation Engine Challenge:预测用户是否会对某个活动感兴趣,based on events they've responded to in the past user demographic information what events they've seen and clicked on in our app ...
NULL 博文链接:https://sap.iteye.com/blog/1264994
Learn the art of building robust and powerful recommendation engines using R About This Book Learn to exploit various data mining ...Chapter 5: Case Study – Building Your Own Recommendation Engine
cremunityA creative community based on recommendation engine 基于推荐引擎的个性化内容创作社区简介这是软件工程大作业基础的部分基本完成
推荐引擎与 IBM 利用 IBM Watson Studio Community 用户数据开发的推荐引擎,可提供更好的文章推荐笔记: 由于用户矩阵文件太大,无法通过github上的浏览器上传,下载该文件的链接在。 下载它并将其保存在与主 ...
Twitch_Recommendation_Engine 设计并构建了一个完整的Web应用程序,供用户搜索抽动资源(流/视频/剪辑)并获得建议。 使用React和Ant Design构建具有丰富+用户友好体验的网页 使用Java servlet实现RESTful API,...
fcc-book-recommendation-engine
Recommendation_engine
recommendation_engine
Collaborative personalized tweet recommendation 数据采集相关文档
the YouTube video recommendation system 非常不错简单的方法
kaggle 赛题 elo-merchant-category-recommendation 数据集
Deep Learning Recommendation Model for Personalization and Recommendation Systems