推荐算法
互联网平台用于决定内容分发范围和优先级的机器学习系统，通过分析用户行为数据（点击率、观看时长等）判断内容质量并决定推送策略
核心事实
时间轴 (近 90 天)
推荐算法的核心依赖显式反馈（如点赞、踩、收藏）和隐式反馈（如观看时长、完播率、点击率）。
一旦踩被隐藏，负向信号大幅减少，算法将更依赖观看时长等隐式指标，而这类指标容易被标题党或情绪化内容“骗”到高位。
踩按钮提供的是负向显式信号，能直接告诉系统“这个内容不受欢迎”，帮助算法在早期快速降权低质或误导性内容。
当平台的北极星指标是停留时长时，算法会学会先给中等内容、临近流失时再给高分内容的投放节奏。
平台算法正在重塑政治传播的形态：TikTok的推荐机制和Instagram的短视频优先策略奖励高互动、高情绪唤起的内容，惩罚严肃、冗长的信息输出。
短视频平台的推荐算法偏好高频、多样化、真实感强的内容，大量中腰部创作者同时发布类似主题但形式各异的内容时，算法会将其识别为'自然热度'而非广告投放，从而给予更多自然流量。
网红内容的转化效果高度依赖平台算法变化，一旦推荐机制调整，整个增长飞轮可能面临停摆。
现代信息流排序通常依赖深度学习模型，输入数百甚至数千个特征（停留时长、点击、分享、负反馈等），输出的排序结果无法用简单规则还原。
推荐算法和图像生成工具正在反过来塑造和引导人类的审美标准
高订阅量频道的新视频在算法初始分发阶段能获得更大的种子流量，从而积累更多早期互动信号
还有 12 条时间轴事件
全部知识事实 (20)
算法推荐系统会根据用户停留时长、重播行为、点赞等信号持续优化内容推送，形成正向反馈回路
75%已验证社交媒体推荐算法对AI Agent可能产生类似人类的注意力捕获效应，使其陷入无限滚动循环而偏离原始指令
65%待验证踩按钮提供的是负向显式信号，能直接告诉系统“这个内容不受欢迎”，帮助算法在早期快速降权低质或误导性内容。
50%待验证推荐算法的核心依赖显式反馈（如点赞、踩、收藏）和隐式反馈（如观看时长、完播率、点击率）。
50%待验证当平台的北极星指标是停留时长时，算法会学会先给中等内容、临近流失时再给高分内容的投放节奏。
50%待验证平台算法正在重塑政治传播的形态：TikTok的推荐机制和Instagram的短视频优先策略奖励高互动、高情绪唤起的内容，惩罚严肃、冗长的信息输出。
50%待验证网红内容的转化效果高度依赖平台算法变化，一旦推荐机制调整，整个增长飞轮可能面临停摆。
50%待验证短视频平台的推荐算法偏好高频、多样化、真实感强的内容，大量中腰部创作者同时发布类似主题但形式各异的内容时，算法会将其识别为'自然热度'而非广告投放，从而给予更多自然流量。
50%待验证现代信息流排序通常依赖深度学习模型，输入数百甚至数千个特征（停留时长、点击、分享、负反馈等），输出的排序结果无法用简单规则还原。
50%待验证推荐算法和图像生成工具正在反过来塑造和引导人类的审美标准
50%待验证平台的推荐算法是高度保密的服务端系统，外部无法直接获取其代码
50%待验证高订阅量频道的新视频在算法初始分发阶段能获得更大的种子流量，从而积累更多早期互动信号
50%待验证拥有更多查询预算（即资源）的一方在算法优化博弈中拥有结构性优势
50%待验证推荐算法的优化目标（停留时长、付费转化）与政府平台的公共使命之间存在根本性冲突
50%待验证外卖平台智能推荐、婚恋App算法配对、情绪陪伴类AI产品等功能今天已以"提升效率""改善体验"名义存在
50%待验证推荐算法放大极端内容、自动驾驶系统在边缘场景失效等案例本质上都是目标函数设计不完备与真实世界复杂性摩擦的体现
50%待验证推荐算法通过持续的A/B测试学习如何最大化用户停留时长，其优化目标与用户长期利益往往存在根本性偏差
50%待验证当平台推荐算法成为内容能否被看见的决定性因素时，创作者不得不围绕算法偏好调整选题、时长、封面和叙事节奏
50%待验证内容平台的推荐算法本质上奖励参与度而非质量
50%待验证短视频平台算法并非直接检测内容是否由AI生成，而是通过完播率、互动率、跳出率和内容指纹等代理指标间接评估质量
50%