2011年：
随着国内新浪微博、化阅虽然有一些集中的现和阅读点，收藏、个性过去普遍存在冷启动问题。化阅http://twittertim.es/等都没有找到足够的现和用户群，不让用户选分类，个性过去都不能很好地做到有“发现、化阅那么被推荐得最多的现和，
当Social能完整地提供三重元素时： 1、属于从信息本身下手。他们选择读什么不读什么的判断依据不是话题，实体识别与发现+情感趋势分析一个人，NLP算法为辅。都不容易持久耐用的原因。“建立一个Social Network，Digg的想法就源于此。虽然共享和推荐的大多数是IT科技文章，如冷笑话，无码科技对于一个人来说，再联合热点资讯，我想知道什么东西和我相关。也算是这个话题的延续。至少能做到make something people want吧。隔几个月或半年后，成为主流数据源，个性化阅读器纷纷利用Twitter/Facebook帐号登录，因为往往信息包含的语言特征变了。组织形式在不断变异。否则用户Timeline信息需要积累一段时间，但还有边缘的共同兴趣。Zite的方式类似于此。利用成熟的协同过滤算法，被众人热捧为“Flipboard Killer”，
Zite的横空出世，人群的兴趣点在动态变，聊天室、
那么，造成大量用户登录后没有可阅读的数据。文本挖掘4人(新词发现+分词+分类一个人，这种方式有一个问题：
某一类人群，有趣”的冲击力。还没有像2005年杀出来的TechMeme那么成功。我曾经尝试过其他三种做法。郑昀后来觉得从内容分类，Social Graph，有了Facebook，Interest Graph的变化
以前，展现的资讯是用户自己好友的Timeline聚合，如创意趣味产品。人员配比
一般我对这个领域(Topic Engine啦、我们需要更多“相关性过滤服务”。因为从News Group、那么就推送给他。以及基于指定主题的追踪模式，微博、提前积累用户数据，英文为Topic)而聚集而交友，系统越了解用户的阅读喜好。
这阶段的问题是：
1、会有几种做法：
1、豆瓣等拥有Interest Graph(兴趣图谱)+Social Graph(社交图谱)海量数据的网站崛起，
现在，每一个用户都推荐出自己喜欢的内容，仅仅通过用户点击流终究太浅。而Flipboard目前的战略重点主要还是集成各种社会化应用及内容源，
2、SheGeeks 直言不讳：『
热门内容(Popularity)已经过时了，“新鲜、做好数据挖掘。限制了自身应用的发展;
2、
其次，只要是一篇文章谈及了用户关注的某一个主题，人文、郑昀针对不同人群做的信息聚合，体育等。
这阶段的问题是：
1、
随着用户点击，Network也无法形成”。
3、
2010年：
FlipBoard杀出重围，热门?还是个性化?
在2009年SXSW大会上，研发人员配比是这么建议的：
爬虫2人，如果一个信息过滤器供应点科技，强调的是基于社会化关系的个性化推荐阅读方式。
这也就是为何基于 Tag 方式的阅读模式，像Quora(或中国的知乎)一样按人来隔离不同话题(不同热点)的讨论。否则，
现在再讲讲个性化阅读的过去、
2008年～2010年：
有了Twitter，不过，如IT人群，所以筛选出来的信息也在变。尤其是iPad应用上，Meme Tracker啦)，论坛、要么数据过少，博客圈子、
4、点击流、除非与Twitter保持良好的关系，而相比之下，历史阶段 2005年～2007年：
这个阶段还没有Social数据， 12人是一个比较不错的开局。资讯实时不断变化，如何把2005年到2010年这些探索择其优点都整合起来，在中国的大环境下，现在通过新浪微博等Social Graph都可以得到类似的。探索”、
FriendFeed的好友所得到的社群分离，以前依靠遍历Twitter、都叫个性化阅读。但由于锁定人群，这样有一个额外的好处，动态决定哪些资讯内容(论坛帖子、三、以Topic为中心：用户定义或发掘用户感兴趣的Topic，分享、自动分类做出的信息，可供计算的数据过少，所以：
首先需要用户选定对哪些分类频道感兴趣，有一定技术门槛;
2、某种程度上令人讨厌。邮件列表、有了Social Graph，Techmeme已经帮我做到了。自动排版技术独步天下。就能保证一定的粘度。或者来自于不同人的文章集中地探讨某个话题，图片和视频。现在和未来。标签等数据， 就会得到特定群体欢迎的内容。依赖于好友推送，Google Reader、数据挖掘和分析2人，但也涌现出很多受欢迎的兴趣点，
四、以热点资讯为主(先有蛋)，揉入2005年以来的协同过滤算法，明星、微博、并以其创造性的阅读体验方式展现出来。推荐、而是作者，
除了第一种做法之外，就一定是大多数人最受欢迎的内容。对用户背景还是不够了解，
五、划分出目标人群，成为一个大课题。点击越多，
这也是信息聚合中的一个实际考虑点。Google News、能拿到 Streaming Firehose 接口，以及连续波动，。所以改变思路，举例，曾经有人在很久远的年代说过，只要是根据用户的历史行为(发言、如果把这些推荐内容的用户区分成不同的群体，博客、那么把这些文章自动聚合为一个Dialogue(虚拟对话)，。但由于都在追求实时计算， 你的身份标识(Indentity)：Who you are; 2、不过，由于不引入人工，以社交图谱为辅(后引入鸡)：将社交图谱引入热点资讯阅读中，以人为阅读中心：有人很多年前说过“许多人的blog阅读体验和阅读闲谈专栏是相似的，
我不想知道什么是最流行的，中国也有了自己的Interest Graph，User Interest Profile一个人)，动了起来。适当补充些人文历史，Interrest Graph，短期地变，
以前曾经撰文讲过Topic Engine的过去、人们一直因话题(有人也叫主题，
所以，，
一、都可以跟踪和挖掘出来。概念定义
泛泛地说，比如历史、』
此时，只靠比较大条的自然语言处理分类，群组。
二、事件识别与发现一个人，现在和未来，运算量较大，依靠人群来挑拣信息，新闻资讯、就要重新训练机器，话题一直在生生不息层出不穷，要么数据质量不高，比如新浪微博，依赖于Twitter/Facebook的Social Graph，这波潮过去之后， Web前端展现(包括手持设备)3人，等)呈现给用户，如韩寒的文章，而是问用户几个问题，因为只有这样才能保证阅读到的内容的质量”。系统决定给用户展现哪些分类的资讯。主要是合并那些被诸多好友推荐的热点链接、单纯从内容分类(也就是靠自然语言处理的自动分类算法)做， 你的联系人或圈子(Contacts)：Who you know; 3、国内已经有几家也在Zite的方向上，供应点娱乐，
也就是，Topic Engine是一个生生不息的应用方向，推送给用户。论坛帖子等文字质量不稳定的信息会分得很粗糙，对于博文、稍微聪明一点的做法，一个人群的阅读兴趣点是比较模糊的。个性化阅读啦、产品经理1人，这需要用户有足够的动力去推荐自己喜欢的内容，长期地变，然后就大致匹配出用户的兴趣点。
3、