我把流程拆开后发现：新91视频为什么你总刷到同一类内容？多半是内容筛选没弄明白（别说我没提醒）

我把流程拆开后发现：新91视频为什么你总刷到同一类内容？多半是内容筛选没弄明白（别说我没提醒）

开门见山：你总刷到同一类内容，不是运气，也不是你“被针对”，而是推荐系统在“流程”里一步步把你套进了同一个圈子。把这个流程拆开看清楚，解决办法就更清晰了——无论你是普通用户还是内容创作者，都能找到可执行的策略来打破单一推荐。

先把推荐流程用最直白的步骤拆开

• 内容入库：每条视频被抓取并存入平台，带上上传者、标题、标签、封面、时长等原始信息。
• 特征抽取：系统为视频和用户提取特征（主题词、画面特征、时长、历史互动偏好、观看时间段等）。
• 候选召回：从海量内容中筛出一批“候选”视频（基于相似兴趣、热门、社交传播等方式）。
• 排序/打分：对候选视频按预估点击率、预估观看完成率、会话价值等指标打分排位。
• 再排序与干预：插入广告、推荐策略（例如优先新作者或付费推广）、内容审查等。
• 展示与反馈：用户看到并产生点击、停留、点赞、评论等行为，变成下一轮的数据源。
• 生命周期更新：随着观看行为和时间衰减，内容的权重会上下浮动或落入冷库。

从哪里造成“你总看到同类内容”？

• 候选池狭窄：召回阶段如果只用相似性或高相关权重，就只给出相同主题的小池子。
• 排序过度优化短期指标：优化即时点击率或短时留存，会把看起来“火”的相似内容重复推高。
• 用户画像同质化：系统依据历史行为把你归类，新的探索内容被默认“与你无关”从而被过滤掉。
• 热度与流量倾斜：热门内容因为被更多人点击，进一步获得优先展示（富者愈富效应）。
• 冷启动与标签不准确：新视频没有足够信号被召回，或标签/分类错误导致被错位推荐。
• 回路效应：你点了几条某类视频，系统基于强化学习快速调整，使得下一次推荐更偏向同类——形成漩涡。

用生活化比喻：推荐系统像商场导购。你第一次去买帽子，导购记住你喜欢黑色，于是下次只往你眼前推黑色帽子。你想看别的风格，但导购为了“快速成交”只出那几顶，久而久之你以为商场里就只有黑色帽子。

给普通用户的可执行策略（立竿见影的办法）

• 主动改变行为信号：去搜索并完整看你希望看到的新类型视频，停留5–10分钟，让系统记录新的兴趣。
• 用“不感兴趣/不推荐”按钮：明确告诉系统哪些内容不想看，可比无声抗议更有效。
• 清理或分割历史：清空部分观看历史或用不同账号分别培养不同兴趣谱系（比如工作账号/娱乐账号）。
• 订阅并用播放列表：订阅你喜欢的少数创作者并用“稍后观看/播放列表”引导系统把这类内容带入候选池。
• 主动探索页面与关键词搜索：不靠首页推荐，多进分类页、话题页、或直接搜长尾关键词。
• 变换观看时段与设备：有时平台为不同时段或设备优化不同内容，换个时间刷可能出现新东西。
• 关注长尾创作者或专题合集：热门位里常是重复内容，专题合集、独立小频道能带来新鲜度。

给内容创作者、运营的实战建议（提高被推荐概率并拓展受众）

• 标题和封面避免过度“模板化”：与主题相关但别完全模仿热榜格式，差异化能被系统识别为新信号。
• 优化前 10–30 秒：推荐系统珍视首分钟内的留存，开头要迅速抓住用户，提升整体观看时长。
• 精准元数据：标签、标题、描述写具体长尾关键词，减少被错召回的概率。
• 多类型内容布局：同一主题下做系列短视频、深度长视频、花絮、问答等，覆盖更多候选池召回逻辑。
• 引导会话价值：在视频中设计让用户继续看的动作（下一集提示、时间戳、播放列表），提升会话时长。
• 做交叉推广和合作：不同圈层的创作者互推可以把内容推入对方的用户画像里，打破同质池。
• A/B 测试小改动：封面、标题、开头、标签做分流实验，观察哪个能把你的视频带到更广的候选池。
• 合理使用话题/挑战标签：能让召回覆盖到更多兴趣圈，但别用误导性标签。

给平台/工程师的设计思路（如果你负责推荐系统或产品）

• 多元候选池策略：在候选召回里保留一部分“探索性”候选，保证不完全剔除冷门或新颖内容。
• 平衡短期与长期指标：在优化目标里加入长期满意度、留存、内容多样度等约束。
• 动态阈值和衰减机制：对高频相似推荐打上衰减标签，防止短期爆款垄断展示位。
• 元学习与主动试错：定期用小流量实验不同推荐因子，观察用户多样性偏好。
• 改善标签和分类流程：建立人工+自动混合的校验机制，降低错标签导致的错位推荐。
• 透明化控制：给用户更容易触达的“探索偏好”开关，允许主动选择更宽泛或更集中推荐策略。

小清单：你可以马上做的三件事（任选一项开始）

• 用户：本周连续三天各花10分钟完整看你希望平台多推荐的一类新视频。
• 创作者：为一条近期视频做一次封面、标题、前15秒脚本的A/B测试，观察72小时内的差异。
• 产品：把候选池里预留10%探索位作为“A/B”窗口，监测多样度和长期留存变化。

结语 推荐系统并非黑箱不可改，它是由一连串可拆解的流程和工程决策构成的。你总刷到同一类内容，很多时候源于“筛选环节”里某一步把你固定在了某个小池子。无论你是用户还是内容创作者，改变信号、调整策略或优化流程，都能打破这层循环，让推荐回归更多样、更有趣、更符合你的真实偏好。

别说我没提醒：挑一个策略，连续执行两周，再看变化。坚持比焦虑更能改变你的首页。