我把91在线的推荐逻辑拆给你看：其实一点都不玄学（不服你来试）

我把91在线的推荐逻辑拆给你看：其实一点都不玄学（不服你来试）

打开任何一款内容平台，看到的推荐结果看起来像魔法，但背后并不神秘。下面把“候选 — 计算 — 排序 — 结果”的链路拆开，照着做几次实验，你就能验证大部分结论。绝不高冷，只讲可观测、可复现的规律。

一、从大局看：推荐系统的三层关系

• 候选召回（Recall）：把海量内容缩到几百、几千个备选项。常用方法有基于内容相似度的召回、基于用户历史行为的召回、基于协同过滤的召回、基于标签/话题的召回、以及热门/新鲜池。
• 初步打分（Scoring）：给每个候选打一个初步分数，通常是CTR或观看时长预估模型输出的概率/值。
• 精排与再排序（Ranking / Re-ranking）：把候选按预估值排序，并做多目标权衡（CTR、留存、活跃度、广告收益、内容多样性等），同时应用业务规则（屏蔽、地域限制、付费优先等）。

二、常见信号（谁影响推荐）

• 用户侧：历史点击、观看时长、收藏/点赞/评论、搜索词、设备/时段、停留/跳出率、社交关系（关注、私信互动）。
• 内容侧：标签/话题、时长、发布者权重、发布时序、标题与封面质量、已有人群的行为分布（比如该内容的完成率高）。
• 会话与上下文：当前会话内的连续行为（连续点播放、切换习惯）、入口场景（首页/搜索/频道）、运营活动（专题/榜单）。
• 平台指标：商业优先级（广告/付费）、内容安全策略、地域/法规限制。

三、模型与策略细节（让你看得懂模型为什么这么拍）

• 协同过滤 vs 内容相似：协同过滤擅长“口味相近的人也喜欢”，对长尾冷启动弱；内容相似擅长新内容冷启动，但容易陷入同质化。
• CTR与WatchTime的冲突：短视频平台常用多任务学习同时预测点击率和观看时长，排名时用线性或非线性加权合成目标。不同权重会直接改变推荐偏好（偏短偏长、偏激进偏保守）。
• 探索-利用平衡：为避免陷入回路，平台会注入“探索”机制（随机扰动、置信上界、上下文bandit等），短期牺牲CTR换长期多样性。
• 反馈回路与放大效应：被推荐越多，曝光就越大，行为信号越强，算法倾向重复推，这就是热门内容越热的机制。要打破需要人为插入多样性或新内容冷启动策略。
• 业务过滤层：有时并不是模型输出排第一就显示，运营、版权、敏感词等规则会覆盖模型结果。

四、你能做的实战检验（不服就试） 建议基于自己的账号和内容做以下对照实验（不要做破坏平台规则的操作）：

• 实验一：操作冷启动
• 做法：新建几个账号，分别在不同时间段关注不同话题、持续观看某类内容或刻意跳开。记录各账号首页/推荐的差异。
• 期望：专注某类内容的账号首页相关内容占比明显上升；新账号初期更多展示热门与推荐位内容。
• 实验二：标题/封面调整
• 做法：对同一内容变更标题/封面（A/B），观察点击率与留存变化。
• 期望：标题吸引带来高点击，但如果完成率低，会快速被降权；高完成率的中等点击标题往往长期效果更好。
• 实验三：互动信号影响
• 做法：在自有内容上鼓励点赞/评论（合法引导），比较被推荐频次变化。
• 期望：点赞/评论对推荐有放大效果，尤其是早期暴露期内的互动密度更关键。
• 实验四：时间与频次敏感性
• 做法：在不同时间段（早/中/晚）发布内容或做行为，观察推荐差异。
• 期望：平台会根据活跃时段调整推荐策略，流量高峰期发内容更容易走量，但竞争也更激烈。

五、设计可量化的判定标准（怎么知道“对了”）

• 核心指标：曝光量、CTR（点击率）、完成率/平均观看时长、次日留存、转化率（如关注/付费）。
• 比较方法：用短期AB对照，持续7–14天，关注累计增量而非单日波动。对内容测试，至少保证每组有数百次曝光以降低噪声。
• 统计显著性：用基本的t检验或贝叶斯估计来判断差异，不要凭少量样本下定论。

六、常见误区与底层真相

• “热门就好”是表面真相：热门带来流量，但长期看平台更青睐能提高留存和商业价值的内容。
• “刷几次就一定上热”不是长久策略：短期异常行为能暂时触发流量，但一旦数据不真实，平台会快速惩罚。
• “单点优化胜过系统优化”通常不成立：标题、封面、首帧、互动策略、发布时间这些组合起来效果最好。

七、给内容创作者的实操建议（可直接照做）

• 把握前10秒：不论短视频还是长内容，首段决定点击后的完成率，进而影响系统给你更多推荐。
• 标签与描述要精确：方便召回模型把内容放进正确的备选池。
• 快速循环小实验：每周做一项小改进（封面/开头/互动CTA），并用数据判断是否保留。
• 建立长周期策略：短期流量和长期用户价值并重，持续产出、保持稳定互动比一次爆款更稳。