Feed 流基础

在引入任何算法之前,最该先做扎实的是三件事:一次下滑到底返回什么、翻页会不会重、下拉刷新有没有新东西。传统 offset 分页在推荐场景会重复、漏数据、不稳定——上次的「第 20 条」这次可能已经不是同一条了。

卡片模型先定清楚:推荐服务返回的是可播放、可展示的元数据而不是视频文件本身,因此返回快、可缓存、播放地址可动态生成签名 URL;卡片里的 reason 用来展示推荐原因、标记实验版本、统计各通道效果,cursor 则携带翻页上下文。分页上,游标里装用户标识、请求时间、已曝光集合摘要和策略版本;曝光历史按用途分层,在线去重用 Redis 的集合或位图,离线训练落行为日志;刷新带 refresh_token 优先返回新候选。冷启动分两头:新用户靠地域语言、热门精选、注册来源和初始选择标签,新视频靠标签、作者、内容 embedding 和作者历史表现,先进小流量探索池,反馈好逐步放大,反馈差就停止推荐。

读完你应该能设计出一套 Feed 基础:卡片返回哪些字段、为什么返回元数据而不是视频内容,游标里放什么、曝光记录分几层存,刷新怎么保证看到新内容,以及新用户和新视频各自靠什么破冰,并能解释探索与利用为何不能省。

本章是召回与排序的地基,没有曝光历史,离线训练就没有完整数据。下一章进入内容供给,看视频如何上传、转码、审核、入库。

章节

发现内容有问题?

告诉我们哪里需要改进。