每日自问自答：在社区刚刚起步的时候，用户量还比较少，如何去迭代内容推荐算法？

推荐算法应该是一种指标驱动的算法，需要有一个清晰的“北极星”指标，基于规则和“感觉”的算法是很难持续优化，往往会陷入“按下葫芦浮起瓢”的窘境。

推荐算法需要足够丰富的历史数据和足够多的用户才能发挥作用，但一个社区总会有一个从小到大的过程。要找到突破口，首先得先了解推荐算法的设计初衷，然后结合现实情况分析解法。

推荐算法是一种信息过滤算法，其核心目的是帮助用户缩短决策流程——找到想要的商品、看到想看的内容、匹配想结识的人等——本质上是一种带着用户特征的搜索，可以同时帮助平台和用户提升效率。

推荐算法有效的前提是：用户可见的候选集足够大，需要算法来帮助用户减轻信息压力。对于候选集来说，推荐算法一定“有损”，这种算法是对内容消费的“节流”，以防止用户侧信息过载，如果内容生产跟不上，节流毫无意义。

综上，优化的方法如下所述。

1. 先让信息过载。

优化推荐算法的第零步骤是让推荐算法的“节流”能力发挥作用，在此之前，无需优化推荐算法本身。要通过各种手段创造有效内容，让用户先能感到时间不够用，再针对性的优化推荐算法来节省用户时间。

创造有效内容的方法有很多，需要借助包括 LLM 在内的各种技术来实现，还应该尽可能通过各种手段从其他现有内容平台、社交平台、公共知识库攫取数据，这里字数有限就不展开说了。

1. 内置多种平台导向，并允许用户手动选择。

推荐算法初期会带有很强的平台导向，无法真正做到恰到好处，与其武断的为所有用户选择一种算法，不如直接提供一些产品出口，让用户自己调整“节流”的强度和策略。

平台可以提供同一条流的不同维度的过滤和排序策略，包装成产品功能供用户选择，通过观察用户如何主动节流来找到规律。

1. 建立数据负反馈机制，持续跟踪典型用户的行为变化。

推荐算法做得好，用户不一定会有什么显著行为变化，但是做得不好，则比较容易观察到负反馈指标，例如用户消费内容的速度更快了（噪音太多，快速下滑）。由于前期算法肯定不够好，还应该提供一些产品机制让用户主动上报负反馈。

1. 确定“北极星”指标。

推荐算法需要单一的“北极星”指标才能持续优化。这个指标一般是社区最核心的运营指标，例如，用户停留时长。