番茄小说算法推荐机制技术解析:正式推荐期规则详解
本文聚焦于正式推荐期的技术决策逻辑,不涉及内部具体阈值。可用于解释同题材作品流量差异、推量波动及数据表现与推荐结果不符等现象。
1)正式推荐期的'总规则':按单位曝光收益(ROI)分配流量
在正式推荐期,平台的本质决策是:
把有限曝光分给'单位曝光带来更高综合收益'的作品
收益不是单一点击,而是多目标加权(读得久、读得深、会追更、会回访…)
解析番茄小说正式推荐期的核心算法逻辑。系统通过资格池筛选、多路召回、多目标排序、重排约束、流量节奏控制及数据反作弊六大硬规则分配流量。关键在于单位曝光收益(ROI),而非单一点击。文章解释了为何同题材表现差异大,以及数据清洗对权重的影响。
本文聚焦于正式推荐期的技术决策逻辑,不涉及内部具体阈值。可用于解释同题材作品流量差异、推量波动及数据表现与推荐结果不符等现象。
在正式推荐期,平台的本质决策是:
把有限曝光分给'单位曝光带来更高综合收益'的作品
收益不是单一点击,而是多目标加权(读得久、读得深、会追更、会回访…)
所以'正式推荐规则'可以概括为三句话:
正式推荐前,系统会先判断作品是否进入'可被推荐的供给池':
这一步的技术含义:
很多'正式推荐期没量',不是排序输,而是压根没进主分发池(或进了但被限额)。
正式推荐的第一道天花板是:召回层能不能捞到你。
召回做的事是从海量书里快速捞出几百/几千本候选,典型会多路并行:协同过滤、向量召回、标签倒排等。
如果你正式期'偶尔有量、但不稳定',常见就是:
召回命中不稳(今天进候选、明天进不去),所以曝光忽上忽下。
字节系公开谈过:推荐模型会拟合用户满意度函数,点击率、阅读时间、互动等都可量化进入目标。
正式推荐期基本一定是多目标排序(Multi-objective Ranking):
常见目标(对小说最关键的几个):
系统会用多任务学习或多模型融合,最后形成一个综合打分(概念式):
正式推荐期最关键的技术规则之一:
只会'标题党点开'但读不下去,在精排里会输;
能让人连续读、追更、回访的书,才有持续扩量的基础。
即使你单本得分高,也可能在最终列表里被'打散'。
因为推荐系统最后一层通常是重排,它要处理列表级目标:多样性、去重、探索插入、治理约束等。重排在多阶段推荐系统里被认为对体验非常关键。
你会体感到:
正式推荐期不是匀速给量,而是在线学习式调度:
这也解释了业界常提及的'正式期有不同区间:首秀—冷却—再推'这种体感分段。
正式推荐期里,系统对行为数据会做'有效性过滤':
所以你会看到一种很典型的现象:
'我感觉有人在读,但推荐就是起不来'
可能原因是:系统把那部分行为当噪声,不给你加权。
把它记成一条链就行:
资格池(能不能推)
→ 召回命中(能不能进候选)
→ 多目标精排(能不能打赢同场)
→ 重排约束(能不能稳定上屏)
→ 调度节奏(给多少、给谁、给多久)
→ 风控清洗(数据算不算)

微信公众号「极客日志」,在微信中扫描左侧二维码关注。展示文案:极客日志 zeeklog
使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online
将 Markdown(GFM)转为 HTML 片段,浏览器内 marked 解析;与 HTML转Markdown 互为补充。 在线工具,Markdown转HTML在线工具,online