多路召回
P1热门召回、关注召回、社区订阅召回、标签兴趣召回、协同过滤召回、向量语义召回、新内容探索召回。
实现要点：每路召回取 Top N（如 200），再进入统一排序。多路并行的意义在于「不把鸡蛋放在一个算法篮子里」。
!See translation tasks
This page is not translated yet
The interface, navigation and community content are bilingual. The long-form body of this page is still in Chinese. The translation work is tracked as task I18N-10.
Module 10 · V1.2 · Recommendation & Feed
推荐与个性化信息流
从「用户找内容」到「内容找用户」
P2V1.2提升上限与差异化，可延后交付
模块目标
要达成什么
构建多路召回 + 统一排序 + 去重打散 + 冷启动兜底的推荐管线，在不制造信息茧房的前提下提升内容分发效率。
为什么必须存在
当社区内容量超过用户手动筛选能力时，分发效率决定了整体活跃度。但推荐必须克制，否则会摧毁社区的讨论氛围。
功能清单
共 7 个功能点，每个功能点给出实现要点，可直接作为开发任务的描述。
统一排序模型
P1基于特征（内容质量、用户兴趣匹配度、时效性、作者亲密度、多样性）打分排序。
实现要点：冷启动阶段可用加权线性模型（可解释、易调试）；数据积累后再引入 GBDT/深度模型。
多样性控制
P1同一社区/同一作者/同一话题在首屏占比受限；连续同类内容做打散。
实现要点：排序后做 MMR 式重排，对高分但同质的内容降权。这是对抗信息茧房的关键手段。
探索位（Exploration Slot）
P1信息流中固定保留一定比例的位置给「低曝光优质内容」与「新社区内容」。
实现要点：例如第 6 位固定为探索位，从冷门但高分的内容池中抽取。这是保护长尾创作者的制度性设计。
负反馈与不感兴趣
P2「不感兴趣」按钮与隐式负反馈（快速划过、跳过），用于即时调整推荐。
实现要点：显式负反馈立即生效并写入用户兴趣画像；可撤销（「已减少此类内容 · 撤销」）。
冷启动策略
P1新用户按兴趣标签选择 + 平台热门兜底；新内容按社区内热度与作者信任度给初始曝光。
实现要点：新用户首屏混合热门内容与兴趣内容，随行为数据积累逐步增加个性化权重。
可解释与可控制
P2信息流提供「为什么推荐这条」入口，并允许用户调整各类召回源权重。
实现要点：提供「推荐设置」面板：可调节热门/关注/兴趣/探索的偏好，让用户拥有控制感。
交互设计
2 条关键交互的分步流程，按用户体验顺序描述，可直接作为前端开发与可用性测试脚本。
1
信息流切换
- 1
首页顶部 Tab：推荐 / 关注 / 热门 / 最新，切换时保留滚动位置。
- 2
推荐流每 20 条插入一次刷新提示「已为你更新」，避免自动插入导致跳动。
- 3
下拉刷新重新拉取一批，无限滚动到底部自动加载下一页。
2
反馈闭环
- 1
卡片右上角「⋯」菜单提供「不感兴趣 / 少看此类 / 屏蔽该社区」。
- 2
操作后立即移除卡片并显示撤销 Toast（5 秒内可撤销）。
- 3
累计反馈写入画像，后续推荐权重调整。
业务规则
6 条硬性约束。这些规则应当在服务层强校验，而非仅在前端提示。
R01
首屏同一社区内容占比 ≤ 30%，同一作者 ≤ 20%。
R02
探索位占比固定 ≥ 10%，且不可被商业内容占用。
R03
负反馈后的内容 30 天内不再出现在该用户推荐流中。
R04
被屏蔽用户与社区的推荐内容直接过滤。
R05
推荐流不展示广告以外的付费推广；如引入推广必须显式标记。
R06
用户可一键关闭个性化推荐，降级为纯热度排序。
涉及数据表
本模块涉及的 6 张表。完整字段、索引与说明见「数据表设计」页。
竞品参考
本模块的设计参照了哪些产品，具体参照了什么。
掘金
掘金
推荐流成熟但对长尾内容曝光不足，需以探索位弥补。
REReddit
首页混合订阅与推荐，Home/Best 切换让用户掌握主导权。
知乎
知乎
强算法导致娱乐化，是「过度推荐」的反面教材。
RE
Reddit Rising
用「票速」发现早期优质内容，是极佳的召回源。
验收指标
本模块交付时应当达到的量化目标。未达标即视为该模块未完成。
推荐点击率CTR ≥ 6%
探索位点击率不低于常规位 70%
社区多样性首屏涉及社区数 ≥ 5
负反馈率≤ 2%
避坑清单
竞品踩过的坑，以及本模块在实现时最容易犯的错误。
纯热度推荐会导致马太效应，新内容永远没有曝光机会。
没有探索位会把平台内容同质化，长期损害创作者生态。
推荐系统若不可解释，用户会感到被操纵，信任度下降。
冷启动若直接上复杂模型，缺乏训练数据会导致推荐质量低于热门排序。