很多人觉得推荐系统越用越懂自己，但实际体验常常是推来一堆不感兴趣的内容。原因之一是推荐算法主要依赖历史行为，而你点开一条内容可能只是好奇，并不代表真正喜欢。
协同过滤是常见做法，它找和你行为相似的人，把他们喜欢的内容推给你。问题是新用户行为少，相似人群找不准，冷启动阶段推荐质量自然差。
另一个因素是反馈信号太粗糙。点击、停留、点赞被当成喜欢，但用户可能点完就后悔。系统把这些噪声当正样本学习，偏好模型就会偏移。
还有探索与利用的平衡。算法如果只推你大概率会看的内容，信息面会越来越窄，形成过滤气泡。好的推荐系统需要主动留出探索空间。
理解这些机制后，你可以主动用不感兴趣、取消关注等操作纠偏，让信号更干净，推荐结果才会逐步贴近真实需求。
