推荐系统优化的指标是点击率和停留时长。你每点一次，算法就更了解你——然后你能看到的世界就更小一点。
模拟一个推荐系统。你有 10 轮点击机会，每轮从推荐列表中选一条你感兴趣的内容。算法会根据你的点击实时调整推荐权重。
实验结束后，看看你的信息流多样性下降了多少。
从下面的推荐列表中点击一条你感兴趣的内容，算法将据此调整下一轮推荐。
每次点击后，对应类型的权重增加，其他类型衰减。柱状图实时反映算法对你的"画像"。
信息熵衡量推荐内容的多样性。熵越高 = 内容越丰富，熵越低 = 越单一。观察它如何随你的点击逐轮下降。
左边是纯点击率优化（贪心），右边加入了 15% 的随机探索（ε-greedy）。点击按钮观察 50 轮后的差异。
推荐系统的 KPI 是点击率（CTR）和停留时长。用户点什么，算法就推更多类似的——因为这能让指标涨。多样性从来不在优化目标里。
你点了科技新闻 → 算法推更多科技 → 你看到的都是科技所以继续点 → 权重进一步集中。这是一个自我强化的闭环，没有外力打破它只会越来越窄。
随机推荐一条你可能不感兴趣的内容 = 短期点击率下降 = KPI 受损。对于优化指标的工程师来说，探索是有成本的，而这个成本由用户的信息视野买单。