把逻辑捋顺后你会明白：新91视频越用越“像”，因为分类筛选在收敛

把逻辑捋顺后你会明白：新91视频越用越“像”，因为分类筛选在收敛

很多人有同感：刚开始刷新91视频时，推荐多样、有惊喜；用久了，页面内容慢慢“像”起来——风格、主题、创作者类型越来越集中。把推荐系统的几个核心环节捋清楚，就能看到这种现象背后的必然性，也能更有针对性地去打破或利用它。

“像”到底指什么

• 主题和风格同质化：视频主题、剪辑风格、封面模板趋同。
• 内容循环出现：同一类视频反复出现在首页或“为你推荐”里。
• 创作者集中：少数热门UP主或模板化账号占比增高。 这些表象最终都源于推荐系统里“分类→筛选→排序→反馈”的闭环在收敛。

把推荐链条拆开看

• 特征提取：系统把每个视频和用户行为（观看时长、点赞、分享、停留等）转成向量或标签。
• 分类/分桶：把海量视频先按主题、风格、受众等“分桶”或打标签，便于后续筛选。
• 候选筛选：从各个桶里挑出候选视频（通常按置信度、相关性、热度等阈值）。
• 排序与曝光：用排序模型决定哪些候选被推到首页或前列。
• 用户反馈：用户的每次点击/观看又成为新的训练数据，影响下一轮推荐。

为什么会收敛（越用越像）

• 正反馈放大：当某类内容被多次点击、完播率高，系统会把这类特征权重调高，进而更多推荐类似内容。喜欢A的人会看到更多A，喜欢A的人又继续看A，如此放大。
• 分类边界收缩：分类器为了提高精确度，会把“典型样本”边界收紧，把边界模糊或罕见的内容排到候选池外。这样越常见、越标准化的内容被优先保留。
• 探索率不足：推荐策略在探索（试探新内容）和利用（推现有高效内容）之间平衡，若偏向利用，系统会减少随机或多样候选，导致推荐趋于同质。
• 长尾被压制：热门内容本身具有更多曝光和互动，算法倾向于“安全起见”继续推荐热门样本，长尾创作难以突破。
• 表征聚合：向量化表示（embedding）在训练中会形成聚类，中心点越被强化，更多靠近中心的样本被视为“相似”，从而加速收敛。
• 人为与规则约束：平台为了控制内容质量、符合法规或商业目标，会在分类与筛选上设置严格规则，进一步减少异质内容进入主流推荐位的机会。

用户会感到的不舒服来自哪里

• 惊喜减少：系统为了降低“错配”率，牺牲了意外发现的可能。
• 标签固化：早期的几个互动就能把你“打上标签”，长期影响推荐。
• 创作者压力：为了迎合算法，很多创作者趋向模板化创作，生态变得单调。

想改变或利用这种收敛，这里有可行的做法 对普通用户

• 主动引导：多点赞、完播不同类型的视频，给算法更丰富的信号。
• 使用“不感兴趣”或屏蔽功能，直接告诉系统哪些内容不想看。
• 清理或重置观看历史、偏好标签；用新帐号或切换账号角色尝试不同风格。
• 搜索而非被动等待：用关键词主动查找感兴趣但不常出现的领域。
• 在不同时间段有意尝试“反常”内容，让系统采样更多类别。

对平台或内容创作者（思路）

• 提高探索率：在候选池里加入更多随机或长尾样本，或用多样性约束在排序中保留异质内容。
• 类别松耦合：降低分类器对“典型样本”的偏好，给边界样本更多机会。
• 设计冷启动机制：给新创作者或新风格一定曝光窗口，避免被快速埋没。
• 多目标优化：除了点击率与完播率，还把“多样性”“长期留存”“创作生态健康”纳入目标。
• 透明反馈：允许用户看到并调整自己兴趣标签，从源头减少标签固化。

当收敛既是问题又是优势 收敛并非全然负面：当用户偏好明确时，收敛带来更高的相关性与满意度；对平台而言，稳定的兴趣预测能提升效率和变现。但当目标是创新、发现或维护多元创作生态时，需要在系统上刻意加入打破收敛的机制。

结语 把推荐系统的“分类→筛选→反馈”链条看透，就能理解为什么新91视频会越用越“像”。如果希望打破这种同质循环，关键在于打破单一信号与狭义优化：给系统更多多样的行为信号，或让系统在候选与排序里保留探索与长尾。换句话说，既要懂得算法如何把你“读懂”，也要用策略去“读写”它。