我把流程拆成四步：糖心推荐机制到底看什么？一个指标就能解释大半
前言 短视频/信息流推荐常被看作“黑箱”，其实拆开来看并不复杂。我把整个机制拆成四步，让你看清推荐决策的脉络。最后归结到一个能解释大半行为的指标：观看时长（watch time）。下面逐步讲清楚每一步都看什么、为什么看，以及创作者和产品该怎么应对。
第一步：数据采集——原始信号都来自哪里
- 用户行为：点击、停留时长、完播、点赞、评论、分享、关注、退出等。
- 内容特征：时长、标签、话题词、封面、标题、音频、字幕、画面风格。
- 环境上下文：时间段、设备、网络、地域、人群标签。 这一步决定了“有什么可以用”。高质量、结构化的日志会让后续每一步更可靠。
第二步：召回（候选生成）——先把可能感兴趣的内容找出来
- 基于相似性召回：内容相似、作者相似、历史交互相似。
- 基于流行度召回：近期热度、趋势话题。
- 基于冷启动/探索召回：新内容、小众流量池。 召回阶段偏宽、偏多，目的是保证候选多样性，通常不会做太重的精细排序。
第三步：精排（Ranking）——把候选按“价值”打分
- 核心输入：用户画像×内容特征×上下文特征。
- 模型形式：点预测（CTR、完播率、互动概率）或直接学习目标（预测观看时长、用户满意度）。
- 加权目标：平台会把短期指标（点击）和长期指标（留存、复访）做权衡。 这里模型最直接反映“平台想要什么”——模型学到的权重告诉你哪些信号更重要。
第四步：在线策略与反馈——实际展示后的调整
- A/B实验、在线学习、冷启动策略、去重与频控、推荐频率控制。
- 用户即时信号回传（如滑走、举报），形成闭环优化。 推荐既是模型输出，也是策略规则和实时反馈的混合体。
为什么“观看时长”能解释大半
- 观看时长同时反映吸引力和黏性：比起单次点击，用户愿意多看说明内容匹配度更高。
- 与长期价值高度相关：高观看时长往往能带来更好留存和复访。
- 不易被短期玩法完全骗过：封面标题吸引能带来高CTR，但如果时长低，精排会降低权重。 因此很多平台的精排目标直接或间接把“预计观看时长”作为重要甚至主要目标。
但别忘了其他信号也很关键
- CTR（点击率）：决定流量放大能力，尤其影响新内容的曝光机会。
- 完播率/前3秒留存：快速判断内容的前期吸引力。
- 互动（评论/分享/关注）：社交放大与内容深度价值的信号。 推荐系统会把这些信号综合起来，但通常以“能否留住用户更久”为优先方向。
给创作者的四点可执行建议 1) 钩子要在前3秒：前期决定有多少人留到看时长发生；不要把最精彩部分藏太后。 2) 控制节奏，保证中段不掉链子：中间掉速会让整体观看时长下降。 3) 结尾要有延展性：引导下一条内容或留下悬念提高复访率。 4) 不要以互动为代价牺牲时长：鼓励评论/分享的方式应设计在不显著降低观看时长的节点。
结语 把推荐拆成“数据→召回→精排→在线策略”四步，可以更清晰地看到每个环节在看什么。观看时长并非万能，但确实解释了推荐机制中的大部分偏好：平台更偏向那些能把人留住、更能产生长期价值的内容。理解这一点后，无论是做内容还是做产品，都能更有针对性地调整策略。