爱看机器人 · 让每次选片都有据可依

很多人以为推荐就是“看了 A 就推类似的 B”，实际远比这复杂。一个能用的推荐系统，至少要在三个层面同时工作：理解内容本身、理解你的历史行为、理解你此刻的状态。缺了任何一层，推荐都会显得笨——要么推的全是看过的类型，要么推的东西跟你今晚的心情完全不搭。

一、内容特征：先把片子拆成可比较的维度

推荐的第一步，是把每部作品拆解成一组可以计算的维度：类型、时长、叙事节奏、情绪基调、人物关系密度、结局走向。这些维度不是人工一个个标出来的，而是结合公开的元数据和内容分析逐步补全。拆得越细，后续的匹配才有依据。

举个例子，同样是“剧情片”，一部是缓慢推进的家庭日常，一部是强冲突的法庭辩论，如果只按类型匹配，系统会认为它们很像。加入节奏和情绪维度之后，两者的差别才被真正识别出来，推荐也才不会跑偏。

二、行为信号：打分只是其中一种

打分是最直接的信号，但不是唯一的。看完一部两小时的片子、中途退出、反复回看某一段、把条目加进“想看”却一直没打开——这些行为携带的信息量并不比打分少。系统会把这些信号折算成不同权重，综合判断你对某类内容的真实偏好。

这里有个容易忽略的点：“不喜欢”比“喜欢”更难判断。一个人没给某部片打分，可能是因为没看，也可能是因为看了但懒得评。系统需要用观看完成度、停留时长这些间接信号去推断，而不是简单把“没打分”当成中性。

三、协同过滤：和你口味相近的人在看的

除了分析你个人的行为，系统还会寻找口味相近的其他用户，把他们评价高、但你还没看过的内容推荐给你。这就是协同过滤的基本思路。它的优势在于能发现你自己都没意识到的偏好——你可能从没主动搜过某类题材，但和你口味相似的人反复给出高分，系统就会试着推给你。

协同过滤也有短板：新内容缺少足够的用户反馈，很难被推出去；小众口味如果样本太少，匹配精度会下降。所以成熟的推荐系统通常会把协同过滤和内容特征结合起来用，互相补位，而不是只依赖其中一种。

四、场景与心情：最后一公里的调整

有了内容特征和行为数据，推荐还需要最后一层调整——你此刻的状态。同样是周五晚上，一个人可能想看一部能沉进去的长片，另一个人可能只想找点轻松的内容放空。时长、时段、甚至你输入的那一句话，都会影响最终的排序。

这也是为什么“说说你现在的心情”这个入口比单纯的关键词搜索更有用。它把模糊的感受变成可用的信号，系统据此在候选池里重新排序，推出来的东西更贴近当下，而不是永远停留在你三个月前的偏好上。

五、反馈闭环：推荐会随着使用变准

推荐不是一次性的计算结果。你每次接受或跳过推荐、看完或中途退出，都会回流成新的信号，让画像更新。用得越久，画像越贴近真实口味，推荐命中率也会慢慢提高。这个过程没有捷径，靠的是一次次真实的选择积累。

理解这一点，也就理解了为什么推荐结果不必追求一次到位。它更像一个持续调整的过程，你给出的反馈越明确，它调整得越准。把推荐当作一个会学习的朋友，而不是一个必须猜中的机器，用起来会轻松很多。