浅谈信息系统的复杂性设计与FeedRank

Web 2.0时代已经涌现出各种新的互联网应用模式，且已经极大地改变了互联网的秩序与形态，甚至改变了人们在网络上的行为方式。随着互联网新技术和新思想的发展，信息系统的复杂度也逐渐由低级到高级、有简单到复杂、由封闭孤立到开放协同发展，具体表现为：系统组分的独立性越来越强，组分之间的耦合度越来越低，组分间组合交互的灵活度越来越高，信息系统越来越表现出类似生物系统或社会经济系统等复杂系统的特征。

Web2.0时代，面对越来越复杂的信息技术和信息系统，人们逐渐发现习惯性的片段思维和传统的基于“高效源于控制”的简单思维方式越来越难以处理和适应这种日益增长的复杂性。但一些简单的系统和一些同样非常简单的技术组合却蕴涵着改变互联网拓扑结构和互联网秩序的巨大潜力。

信息系统虽然愈加复杂，但信息最终一定是以某个维度进行的传播的：时间（TIMELINE）、地理位置（LBS）、人际关系（SNS、微博）、内容区隔（TAG）。维度越多，信息系统的复杂度越高。目前来看，知乎的信息复杂度已经相当高了，除了没有整合地理位置（LBS）之外，但知乎对于信息流动效率的优化方面做的还是不好。排除信息内容自身因素，对于信息流动效率的评估无非是从信息的传播速度、传播通道、信息传播半衰周期几个方面进行衡量。

今天着重谈一下TimeLine的设计问题。

TimeLine只是Feed的表现形式之一，采用的是传统的时间线模式，在一个横轴中清晰地展现事件的先后顺序，现在看这是用户最容易接受和逻辑最简单的方式。大多数的信息系统都是严格按照时间线的形式设计的。Facebook之前发布的TimeLine改变了传统TimeLine的信息展示形式，（其实Pinterest也只是改变了图片的展示形式而已），信息流还是按照时间线的方式来组合。

这种TimeLine的信息展示形式简单直接，符合人们的认知逻辑。但这样的设计的弊端也是很明显的。TimeLine的形式很难进行深度的阅读，由于社交关系的复杂性，良莠不齐各式各样的Feed都会进入你的TimeLine，这样会占用你大量的阅读时间，也会使质量高或者你感兴趣的内容沉寂。同时，严格按照时间线的形式展示信息流，无法做基于内容区隔（TAG）的关联阅读。

其实，如果TimeLine严格按照时间线的形式来展开，很难解决上述的问题。知乎的信息系统在信息内容的筛选与展示方向上做了不少的尝试（比如以话题（TAG）和人际关系的触发的内容流入TimeLine，然后通过标记“赞同/反对”、“不感兴趣”等进行信息筛选，同时可以按照时间顺序和投票顺序进行内容展示）。

目前，我能想到的设计方式就是借鉴搜索引擎的处理方式：类比于Google的PageRank，引入FeedRank的概念，将Feed赋予权重，像搜索引擎展示内容的那样，按照FeedRank的权重进行内容的展示。Feed的权重可以通过用户的自行标注和机器根据用户行为和内容本身以及信息传播的特征进行分析后赋予。比如爱范儿的文章一直不错，我会将它标注为“所有内容进入TimeLine”；另外我对“产品经理”这个话题（TAG）感兴趣，一定权重的信息要进入我的TimeLine；我平时交流很多的朋友的产生的Feed也要进入我的TimeLine等等。

当然，上面的内容都是我的一些浅陋的主观想法，实现难度在于系统算法在信息赋权方面的精准度。基于Web挖掘的个性化信息推荐，是解决当前信息爆炸时代在Web 2.0模式下“信息过载”问题的重要手段之一。也希望尽快有相关产品能够在这一领域有所突破。