:
  

即使是在以对话方式组织的BBS论坛中，也常常见到冠以“大杂烩整理贴”名义的就某一热点话题的所有讨论帖子的链接，充分说明了人们对这种方式喜闻乐见。

这三个玩家都是抓取blog以及Reading Listsà分析整理à找到热点话题。他们的概念有点和百度新闻搜索、Google新闻搜索和Yahoo!新闻搜索一样，把报道了相同新闻的不同站点的文章排列在一起，如下图所示：

，不同的是，这些搜索引擎是根据新闻内容的相关性。

而Meme Engine是通过监视的无数个Blog之间的文章中链接，归纳出话题的，并将这些讨论参与者列在一起。新闻搜索列出的链接之间并没有互动关系，而Meme Engine列出的链接之间则形成并且进一步加剧互动关系。

我们下面来分析memeOrandum的典型做法：

这里列出一张2006年1月20日memeOrandum的Top News“Google不向美政府 提供搜索请求名单与网址”：

很明显，由于Boing Boing的blog排名肯定在Gabe的算法中很高，所以Gabe将来自于Boing Boing的文章设置为本次meme的起源。另外两篇blog可能在文章中引用到了“DoJ search requests: Google said no; Yahoo, AOL, MSN yes.”的URL，所以他们三个形成了讨论关系。

随后，其他讨论相同内容的Blog也以同样的方式被组合在一起，列在下面。

所以，同样是这一个热点话题，却被分成了五拨人讨论，依次为：

Boing Boing ：推荐优先；

两个均来自于Search Engine Watch Blog ：其中和Bush Administration Demands Search Data; Google Says No, Yahoo Said Yes, MSN May Have Said Yes 的相关讨论多达十五个之多，远远多于Boing Boing的那个讨论群，但却只能居于第三位，看来Gabe并不是简单靠讨论群人数的多少来排名的。

SiliconBeat；

Things That。

Gabe在《Who's included?》也提到了自己的“选题”哲学：“I want writers to be selected by their peers”。他称之为“source-picking”算法：他从要涵盖的话题领域中抽选一些有代表意义的典型Blog。然后实时对这些feeds进行文本扫描，并随着文章中的url链接区找到更多的相关领域的书写者。

Kevin则可以针对用户提交进来的那些Feeds，进行相关性搜索。所以Michael Arrington评论说“personalized search/recommendation/ranking engine for the long tail of blog content”。他和memeOrandum区别就在于此，所以Alex Barnett 更愿意称之为“Attention Engine”。Alex甚至绘制了一幅图：

来说明用户提交的OPML文件仅仅只是Attention Data的一小部分，所以Kevin专门提供了一个隐秘的地方：http://tailrank.com/posts/depth/local。

实际上，Social就是对Local的扩展，即你的阅读列表中那些用户的Attention也将被你看到。比如，我的OPML列表实际很少，就是keso、只说、未完成、横戈等feeds。我在http://tailrank.com/posts/depth/local看完自己的Attention的讨论聚合之后，想看看我的Reading Lists们的Attention的讨论聚合，这样当我看到keso的TailRank个性化首页后，就会发现keso所关注的领域更多更杂，也许有更多未知的但很有趣的话题讨论blog群。