拆开看才发现：91网越用越“像”，因为推荐逻辑在收敛

拆开看才发现：91网越用越“像”，因为推荐逻辑在收敛

打开91网的首页，几页滑下来，感觉内容越来越像：标题套路化、封面图风格趋同、播放时长差不多、话题不断轮回。很多用户会直觉地把这种现象归结为“平台变差了”，但真正的原因往往藏在推荐系统的设计细节里：当推荐逻辑逐步收敛到某些最优策略时，表面上看是效率在提升，背后却可能是内容和用户体验的单一化。

为什么会“越用越像”——推荐系统的几条隐形路径

• 优化目标单一化：大多数推荐系统以CTR（点击率）、观看时长或留存率作为核心目标。系统会优先推送那些在历史上能最大化这些指标的内容，久而久之，这类“高回报”内容就被无限放大。
• 反馈循环与放大效应：推荐 -> 用户点击/互动 -> 系统进一步强化推送。这种正反馈会把少量热门内容放到更大量曝光位置，热门变更热门，冷门更难被发现。
• 探索/利用权衡倾向利用：为保证短期指标，很多平台偏向“利用”已知好内容而减少“探索”新内容。当探索率下降，个性化效果也逐渐退化为“同一模板的多变脸”。
• 表征空间收敛（embedding collapse）：推荐模型用向量表示用户和内容。如果训练目标导致向量在某些方向上过度对齐，系统会把不同但表面相近的内容映射到几乎相同的位置，造成推荐结果倾向一致。
• 创作者优化与内容同质化：创作者为了获取更多推荐，就会迎合算法偏好，模仿高效模板，结果平台上出现大量“同一套”内容。
• 冷启动与流量集中：流量更倾向分配给已有高曝光的账号，新进创作者或小众内容难以获得种子流量，长期下去生态更单一。

这种收敛带来的后果（不只是“看腻”那么简单）

• 用户体验疲劳：短期满足之后是审美与兴趣的麻木，用户留存率可能下降但短期指标仍能保持，造成假象良好。
• 创作生态恶化：创作者被迫按算法规则“流水线生产”，创新意愿下降，长期内容多样性受损。
• 信息茧房与认知窄化：在新闻或资讯类推荐中，收敛会放大偏好与偏见，用户更容易陷入同类信息循环。
• 平台风险集中：算法偏好导致少数内容或账号控制大部分注意力，一旦出现违规或失误，影响面极广。

可供平台参考的改法（技术与产品双向着手）

• 多目标优化：把多样性、新鲜度、用户满意度等纳入目标函数，不再仅仅追求短期CTR。可以用分层目标或多臂老虎机的奖励设计来平衡探索与利用。
• 强化探索机制：在冷启动和日常推荐中加入温度调节或探索奖励（探索bonus），定期给长尾内容曝光机会。
• 重排与多样性约束：在候选池生成后进行多目标重排，使最终列表兼顾相关性与话题/风格多样性（比如引入intra-list diversity指标）。
• 防止向量空间坍缩：在训练过程中加入正则化或对比学习策略，确保内容表征保留差异性。
• 创作者扶持机制：给新账号或高质量小众内容提供持续曝光通道，并透明化成长路径与规则，减少“模仿机器”的回报驱动。
• 指标与实验设计改进：用更全面的评估指标（如nDCG、Novelty、Serendipity、长期留存）替代单一短期指标并长期跟踪A/B结果的延迟影响。
• 透明化和用户可控：给用户更多调节推荐偏好的选项（标签过滤、偏好滑动条、显示更多类似/不类似内容等）。

普通用户可以怎样做来打破“越用越像”的循环

• 主动管理兴趣信号：定期清理或调整浏览/观看历史，使用“我不感兴趣”或“少看此类内容”这些功能改变算法信号。
• 主动关注与收藏：对你喜欢但算法不常推的频道或话题进行订阅，这样会给推荐系统提供更准确的兴趣表示。
• 多源消费信息：在不同平台间切换或定期浏览编辑推荐、专题栏目，这能为算法注入多样化信号。
• 支持小众创作者：对小众且优质的内容互动（点赞、评论、分享）能改变长尾内容的曝光命运。
• 使用匿名/隐私模式测试：在隐私浏览或新账号上尝试不同内容，观察平台如何推荐，帮助你判断推荐的“闭环”程度。

结语：算法不坏，但方向决定风景

“91网越用越像”不是某个按钮坏了，而是复杂的工程选择和自然的反馈循环联合作用的结果。把推荐系统想象成一座调节器：改变几个旋钮，就能让全局风景不同。对平台方来说，关键在于不把短期效率当成唯一追求；对用户和创作者来说，有意识地打破单一反馈途径，能让生态变得更有弹性也更好玩。

如果你想，我可以根据你使用91网的具体体验（比如常见推荐类型、你看到的重复话题或你关注的创作者）给出更具针对性的优化建议，或者帮你写一套可用于平台产品讨论的改进提案。要不要把你遇到的几条典型推荐贴过来？