推荐算法是什么？3 分钟看懂你刷到的内容怎么被挑出来的

推荐算法就是一套替你「提前看一遍」的程序：在几百万条内容里，根据你的行为记录猜出你最可能停下来看的那几十条，按顺序排好送到你面前。抖音首页、淘宝猜你喜欢、B 站推荐流，背后都是它。

推荐算法是什么：一个老店员的比喻

把它想成一个特别懂你的老店员。你从不开口说要什么，但他记得你每次拿了什么、在哪个货架停了多久、什么拿了又放回去。下次你进门，你可能想要的东西已经摆在最顺手的位置。

推荐算法做的是同一件事，只是它观察的不是你的动作，而是你的行为数据：点开过什么、看了多久、有没有点赞收藏、什么时间段在刷。你不需要告诉它「我喜欢什么」，你的每一次点击都在替你回答。

两个常见误解先澄清：

1. 推荐算法不是一个算法，而是一套系统，里面很多模型分工协作，就像老店员背后有一个采购团队；
2. 它推的不一定是「你喜欢的内容」，而是「你大概率会互动的内容」，这个差别正是后面信息茧房的根源。

你刷到的内容怎么被挑出来的：召回和排序两步走

主流推荐系统几乎都是两步走，记住这两个词，你就抓住了信息流的骨架。

第一步叫召回。系统先从几百万条内容里快速筛出几千条候选，好比选秀海选：多条通道各自捞人，比如「相似的人都看了」「关注的作者更新了」「热点内容」「常看的标签」，各推一批汇成候选池。这一步不求准，只求不漏掉好内容。

第二步叫排序。模型给几千条候选逐条打分，预估你会不会点、会不会看完、会不会点赞评论，综合成总分排出你眼前那条信息流。这一步精挑细选，追求排最前的就是你想看的。

1. 召回负责快：从百万级缩到几千条，宁多捞不漏；
2. 排序负责准：精打细算把最可能互动的排最前；
3. 不少系统还有第三步重排：打散同类内容、插入广告位，兼顾体验和商业。

信息茧房是从哪来的

信息茧房不是算法「故意」针对你，而是机制的自然副作用。算法目标是让你多停留，判断你喜好的唯一证据就是行为。你点一次猎奇内容，它多推一点；多点几次，它推得更猛。每次点击都在训练它，它再反过来塑造你看到的世界。

拆开看有三层原因：

1. 算法只认行为：它分不清你是真感兴趣还是手滑，点了就是信号；
2. 人本来就偏爱熟悉的东西，算法把这个偏好放大了很多倍；
3. 平台的考核指标是停留时长，不是你的认知有没有变窄。

破解办法确实有效：主动点「不感兴趣」，多搜索你不想被锁死的话题，关注几个立场不同的账号。你的行为就是训练数据，你变了，它推的就会变，一般几天到几周见效（经验估算）。

一段话讲清推荐算法

被问到这个问题，产品经理和应届生可以直接背这段口径：

「推荐算法是一套分两步的匹配系统。召回层用多条通道从海量内容里快速筛出几千条候选，追求覆盖面；排序层用模型预估用户对每条候选的点击、完读、互动概率，综合打分后排出信息流。它的原料是用户行为数据，优化目标通常是停留时长和转化。信息茧房是这个机制的副作用：算法只认行为反馈，行为越单一，推得越窄。」

大概率会被追问三件事：新用户没有行为数据时怎么做冷启动；效果怎么评估，通常是 A/B 测试看留存和时长；点击率和停留时长这类多个目标怎么权衡。把这三个追问接住，这道题基本就稳了。

这个领域的技术脉络

推荐系统用深度学习不是新事。谷歌 2016 年的 Wide & Deep 模型已在超过十亿用户的 Google Play 上线，把「记住历史行为」和「泛化新内容」合在一起训练，线上显著提升安装转化，代码已开源（见 Wide & Deep 论文）。2017 年的神经协同过滤框架用神经网络替代矩阵分解的内积，成为这个方向的经典基线（见 NCF 论文）。

再往上追，Transformer 和推荐系统的探索决策，都和强化学习有亲缘关系。想把这些概念串成一张网，可以读站内这几篇：Transformer 是什么、大语言模型是怎么工作的、强化学习是什么。