整理：Maple
先问你一个问题
你每天刷抖音，有没有发现一个现象——你越刷，推荐给你的内容越相似？
看了一个游戏视频，接下来全是游戏。看了一个美女视频，接下来全是美女。
你以为这是因为算法”懂你”？
错。
真相比你想象的复杂得多。
01 你以为算法在猜你喜欢，其实它在看你邻居喜欢什么
抖音的推荐算法，最核心的技术叫”协同过滤”。
这四个字听起来很技术，但你听完这个例子就懂了：
你走进一家书店，店员问都没问，直接把你带到了《三体》旁边说”买过这书的人也买了这本”。
这不是因为店员懂你。
而是因为在他系统里，有另外1000个和你买了同一本书的人，他们还买了另一本。
算法找到那1000个人，看他们还买了什么，然后把那些东西推荐给你。
你被推荐的，本质上不是你喜欢的——是”和你相似的人”喜欢的。
02 算法有一个致命缺陷，被困在”热门”里
协同过滤有一个大问题，叫”头部效应”。
越热门的內容，推荐越多；越冷门的內容，越沉越底。
就像滚雪球——爆款视频越来越爆，新人的机会越来越少。
为什么你关注的小众博主发了好内容没人看？
因为算法觉得，你这个口味的內容，”别人”好像不太看。
2025年人类新产生多少数据？175万亿GB。
这些数据里，绝大多数是普通人永远看不到的。因为算法只推”已经被验证会火”的。
03 算法最近学会了一件事：主动给你推你不知道的
2016年以后，深度学习进入推荐系统。
抖音现在用的主力模型叫”Wide&Deep”。
Wide是广度——什么意思？
比如你经常看NBA篮球视频，广度模型会不断给你推更多NBA：湖人队的比赛、乔丹的纪录片、詹姆斯的高光集锦。
但Deep是深度——它会主动推你可能感兴趣但从来没看过的东西。
一个新的篮球技巧教学视频，你从来没看过类似内容，但Deep模型觉得”这个视频的主题和你看过的篮球比赛有关联”，它就推给你了。
这就是为什么有时候你刷到一个完全陌生领域的内容，但一看就停不下来——不是巧合，是算法在试探你的边界。
04 算法破案的比喻，终于说清楚了
一个工程师曾用”保安破案”来解释神经网络：
输入层：小区保安。负责记录来访者的基本信息——穿红衣服、背双肩包、戴黑帽子。
隐藏层：N组侦探。第一组侦探发现”红衣服+双肩包”常发生在便利店盗窃案；第二组侦探发现”上午8点+双肩包”对应快递被偷案件。
输出层：警长。综合所有侦探的报告，对比数据库，锁定嫌疑人。
而训练模型的过程，就是让侦探们不断复盘、调整权重，提高准确率的过程。
你每一次点赞、每一次完播、每一次分享，都在告诉这个系统——这个”侦探”判断得对不对。
05 你被困在”同一种内容”里，真正的原因
回到最初的问题：为什么你越刷，内容越单一？
不是因为算法故意困住你。
是因为你自己的行为告诉了算法：我只看这些。
你点了美女视频，算法觉得你喜欢美女。
你跳过了知识类视频，算法觉得知识类不感兴趣。
你每次看到前3秒就划走，算法觉得这类内容留不住你。
算法只是忠实地执行了一个指令：推你更可能停留的内容。
问题是——你真的是因为喜欢才停留，还是因为没得选才停留？
06 算法正在改变，但你还被困着
抖音副总裁曾在2025年初次公开解释这个现象：
“我们确实发现，推荐系统会形成’信息茧房’。用户看到的，是他已经在看的内容的重复。”
这不是抖音愿意看到的，但这是协同过滤算法的结构性缺陷。
Wide&Deep模型试图解决这个问题——通过Deep模型主动探测你的边界。
但问题在于，算法探测边界的速度，远赶不上用户自己封闭边界的速度。
你每一次”不感兴趣就划走”，都在告诉算法：别给我推这个。
07 你可以打破它
方法很简单，但大多数人不会做：
1. 主动搜索你不知道的领域
算法只能推荐你”可能喜欢”的东西，但它不知道你”应该知道”的东西。
2. 对不熟悉的内容，多停留3秒
不要秒划。算法会把你的”秒划”理解为”不感兴趣”。
3. 关注少数冷门创作者
打破头部效应，从关注小博主开始。
最后说一个细思极恐的事实
你今天刷到的每一条内容，都是算法认为”你更可能停留”的。
不是你认为最好的，不是你认为最有价值的，是”你更可能停留”的。
这两者之间，有巨大的差异。
你以为你在选择内容，其实内容也在筛选你。
如果觉得有用，点个赞
转发给朋友看看
关注我，每天更新热点资讯
本文由 Maple 整理，参考抖音官方《从零开始了解推荐系统》及搜狐科技报道
未经授权禁止转载