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…）
所以'正式推荐规则'可以概括为三句话：
- 先捞出来（召回命中）
- 再比收益（排序打分）
- 最后控节奏（扩圈/降温/再评估）
2）硬规则 ①：先过'可推荐资格'闸门（Eligibility / Supply Governance）
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'：
- 合规/风控：疑似搬运、AI 批量、异常行为、敏感风险 → 可能不下架但降权/隔离数据（体感上表现为'不给量'）。
- 供给侧治理：新书池、连载池、完结池、活动池、扶持池分开管理，每个池有自己的预算与上限（并非所有书在同一个赛道抢曝光）。
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）。
3）硬规则 ②：多路召回决定'你有没有资格进入候选集'（Recall Rules）
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。
召回层的技术规则（你能感知的）
- 题材/标签一致性越高 → 倒排召回越稳
- 早期读者越'纯'（同一类人爱看）→ 协同过滤/图召回越容易把你推给同类
- 文本与行为表征越清晰 → 向量召回（ANN）越容易命中相似人群
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。
4）硬规则 ③：排序不是看'好不好'，而是看'多目标综合分'（Ranking Rules）
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）：
- 开读概率（点进/开始读）
- 有效阅读时长（扣除后台、挂机）
- 续读/下一章点击（读深）
- 追更/书架（长期）
- 回访/次日留存贡献（更长期）
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。
5）硬规则 ④：重排要满足'列表级体验约束'（Re-ranking Rules）
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。
