每日自问自答：为什么设计“负反馈系统”对一个推荐算法来说非常的重要？

负反馈系统对于推荐算法来说，是一种可信度相对高的数据源。相对于点赞、关注、停留时长等正反馈数据来说，用户一般较少使用负反馈系统，并且用户操作也会有一定的心理负担，被误触的可能性更少，更能反馈用户的真实想法，因此其统计值也更值得信任。

负反馈系统包括但不限于：

1. 在推荐的内容上表达不喜欢，例如各种平台上面的“踩”、“不喜欢”按钮；
2. 用户反复强制刷新信息流，或者快速滑动到底部
3. 主动屏蔽推荐的内容，例如信息流中的 × 按钮，用于告诉平台，我不希望继续收到类似推荐；
4. 主动降低内容出现的可能性，例如将某类内容设置为免打扰、通过“取关”减少收到的消息；
5. 对推荐的内容进行投诉、拉黑等负面操作；

……

负反馈系统在设计的时候需要遵循一个原则：用户很难误触（例如提供一些二次确认），并且用户能明白这个操作的“代价”（例如当前看到的内容会立即消失）。这种设计原则跟正反馈系统一定程度上就是相悖的。

负反馈系统还承担了用户的情绪出口，如果平台能及时响应用户的这些操作，立即给出用户预期内的结果，那么会显著的提升用户的使用体验。

相比而言，正反馈系统则存在诸多问题，产生的数据可信度并不算太高。

就拿所有平台都有的“点赞”来说，点赞行为数据本身很难进行横向或纵向对比。用户是否点赞一个内容，会受到时间、使用场景、用户心情等各种难以观测的因素影响，无论是看一个用户对不同内容的点赞偏好，还是看不同用户对同一类内容的点赞偏好，这些数据都很难放在同一个维度上进行比较和归因。

例如：

1. 有的用户可能刚进入一个平台的时候还不适应，不知道或者不敢随便点赞，但后续熟悉之后就开始高频率点赞；
2. 有的用户可能因为线下的好友关系，会针对特定用户的内容点赞，而不对其他内容点赞；
3. 有的用户可能会随着心情变化而点赞，甚至有的用户会因为一些原因主动刷赞；

……

本质上，正反馈是内容创作者、消费者、平台三方都希望看到的激励机制，天然就会存在很多的场外因素，导致随机性较大。特别在一个平台数据量较小的时候，这种偏差带来的负面影响就会更大，这时比较推荐弱化正反馈，更多的信赖负反馈，并且更激进的通过更多的内容试探 + 快速的负反馈纠错来改善推荐结果，其效果会更好。