运营同事悄悄说：同样是91视频，体验差异怎么来的？答案藏在推荐逻辑（建议收藏）

运营同事悄悄说：同样是91视频，体验差异怎么来的？答案藏在推荐逻辑（建议收藏）

那天站在茶水间，运营小李悄声问我：“为什么我和产品经理看到的首页视频完全不一样？同样是91视频，体验差异到底怎么来的？”这不是魔法，也不是个例——在任何一个有推荐系统的产品里，用户间差异大多由推荐逻辑与周边系统共同作用产生。本文把这些“幕后元件”拆开，给出排查路径和可执行的优化清单，建议收藏以便复盘问题时快速定位。

推荐逻辑的全景：四个阶段决定你看到什么

• 候选召回（Candidate generation）：从整个内容库里筛出一个大池子（基于标签、协同过滤、召回模型、热门策略等）。
• 初筛打分（Scoring / Ranking）：为每个候选计算分数（CTR、预计观看时长、用户相似度等特征进入模型）。
• 二次排序与业务规则（Re-ranking / Business rules）：强化新鲜度、多样性、付费/推广位、保护版权或未成年过滤等硬性规则。
• 展示与反馈采集（Exposure & Logging）：展示后收集用户行为（点击、播放、观看时长、退出位置），进入在线学习或离线特征更新。

体验差异主要来自这些地方

• 个性化信号不同：不同账号的历史行为、偏好标签、兴趣权重会直接影响召回与排序。
• 特征与模型新鲜度：特征没有及时更新或模型长期不训练，会导致“脏画像”，展示与真实兴趣脱节。
• 内容池与权重策略：不同地域/设备/用户分桶可能命中不同的内容池（比如本地推荐、版权区分、区域限制）。
• 探索-利用策略（Exploration vs Exploitation）：为避免沉沦，系统会向部分用户多给新内容（探索流），部分则稳推高概率内容（利用流），导致体验分歧。
• A/B实验与灰度发布：线上在做推送或页面改版实验时，不同流量组看到不同策略。
• 广告与变现位干扰：插播广告、付费推优或宣发位会改变推荐位的曝光与排序。
• UI/UX与推荐位布局：同一条推荐在首页与频道页、卡片样式不同，会影响点击与观看判断，进而反馈到推荐。
• 基础播放体验：CDN、码率、启动时间、缓冲卡顿会影响用户行为信号，使得模型“认为”该内容不受欢迎，从而减少推荐。
• 内容审核或法规过滤：异地审查规则不同也会屏蔽或下架一部分内容，进而改变推荐流。

运营应急排查清单（快速定位体验差异）

1. 确认是否处于A/B实验或灰度发布流量池。
2. 检查用户画像特征是否最新（最近行为、订阅、收藏、播放完成率）。
3. 核对召回策略与召回池（是否有地域/设备/时间窗限制）。
4. 查看在线日志：该用户对相关类目最近的点击率、播放时长如何。
5. 审查二次排序与业务规则（是否有强制曝光、付费优先、去重逻辑）。
6. 验证内容状态：是否有限制、下架、版权或内容评级。
7. 检查CDN/播放器指标：首帧时长、首播成功率、缓冲率。
8. 审阅灰度配置与feature flag：是否误关/误开某些权重。
9. 回放不同用户/设备的请求日志，确认返回的候选与打分是否一致。
10. 如果涉及广告，检查广告替换逻辑与插片策略是否影响推荐位容纳量。

运营与产品可以立刻做的可执行策略 短期（1–2周）

• 增强埋点，保证关键信号（playstart、playend、watch_seconds、skip）齐全并低延迟回流。
• 把实验流量可视化：把灰度配置和不同流量组看到的候选快照保存，便于对比。
• 暂时放宽或记录业务规则影响：对某些用户关闭强制曝光观察变化。

中期（1–3月）

• 优化特征更新频率与特征工程，减少画像与行为之间的时差。
• 引入分层探索策略：对低活跃用户提高探索比率，对高活跃用户以稳定性为主。
• 建立“推荐回看”流程：当用户投诉“看到的永远一样”时，能回溯其曝光-点击链路。

长期（3–12月）

• 建立特征存储（Feature Store）与在线服务化能力，实现低延迟画像读取与实时召回。
• 组合用户长期画像与短期会话意图的双塔模型，兼顾兴趣稳定性与即时需求。
• 把质量指标（播放体验）纳入推荐模型训练特征，使其在排序层面考虑播放可靠性。

关键指标与实验设计要点

• 核心指标：次日留存、7日留存、平均观看时长、付费转化、会话次数、内容多样性指标（比如类别覆盖率）。
• 推荐特有指标：曝光-点击率（E-CTR）、点击后播放完成率（Completion Rate）、首日播放持续度。
• 实验设计：单变量对比（只调召回或只调rank），分流保持用户属性平衡，确保足够样本量。谨慎解读短期噪声（如节假日、热播事件）。

建议收藏的快速清单（复制到日常运维手册）

• 是否在做灰度/实验：Y/N，说明流量比例。
• 用户画像更新时间（分钟/小时/日）。
• 召回池规则摘要（地域/版权/付费）。
• 日活与曝光池大小对比。
• 关键播放体验指标（首帧、缓冲、失败率）。
• 最近7天top-10黑名单/限制内容。
• 最近模型上线时间与回滚记录。
• 当用户投诉“看到的永远一样”时的回溯步骤（日志起点/存储路径）。

结语 同样一款产品，不同用户看到不同内容是推荐系统的常态。理解推荐的「候选—打分—重排—反馈」闭环，系统性地排查画像、召回、业务规则和播放体验，能把大部分差异找出来并优化掉。把上面的清单放进日常SOP，会让运营更有底气，也能更快把“为啥不一样”变成“怎样更好”。

有具体案例或截图（比如某用户首页快照、一次query到response的日志）可以发来，我帮你逐步看哪里出了问题。