我用7天把91网页版的体验拆开：最关键的居然是推荐逻辑（真的不夸张）

我花了整整一周，把91网页版从首页到深层路径拆成一个个可观察的变量——界面、文案、加载、CTA、搜索、以及那条最隐蔽但影响最大的“推荐链路”。结论很简单也很扎心：界面和速度能抓住眼球，但真正决定用户留存和付费转化的，是推荐逻辑本身。下面是我这7天拆解的过程、发现和可落地的改进路线。

一、方法论：7天拆解如何做到既快又准

第1天：定量埋点抓取。从PV、UV、Session时长、首触路径、点击率、转化漏斗，抓取最近30天和实时7天数据。
第2天：AB流量侧写。通过小流量A/B实验，验证首页不同推荐策略（热度优先、相似优先、混合）对CTR的即时影响。
第3天：冷启动与召回分析。拆分新用户和老用户行为，判断候选池覆盖率与命中率。
第4天：探索推荐质量。用NDCG、命中率、长期留存关联实验评估“瞬时点击”与“深度留存”的相互矛盾。
第5天：界面与交互影响测试。判断缩略图、标题、加载动画对CTR和跳出率的放大效应。
第6天：内容与安全策略审核。过滤规则、违规内容误伤、以及多样性/去重策略审查。
第7天：综合优化建议与30/60/90天路线图。

二、关键发现（为什么推荐逻辑决定成败） 1) 推荐决定了用户的下一步行为推荐是决策点，不只是被动呈现。错误的推荐会把用户往“短暂点击后离开”的方向推，正确的推荐则能把一次点击变成多次会话和转化路径。 2) 冷启动与信号稀疏两端拉低长期指标新用户没有历史，热门策略虽然能提高初始CTR，却造成内容同质化、留存率下降。需要把冷启动策略和长期用户策略区分开来。 3) 流量被流量化（Popularity Bias）长期优先热门会形成反馈回路，新的优质内容难以曝光，导致系统活力下降，长期ARPU受损。 4) UI只是放大器，不是根本优化缩略图、标题可短期提升CTR，但如果底层召回和排序依旧弱，短期提升无法转化为DAU/付费的持续增长。

三、推荐逻辑该怎么拆——四层架构（候选+召回+排序+过滤）

候选生成（Candidate Generation）快速检索：基于标签、类别、相似向量（embedding）做宽候选。建议用近期行为+内容相似度混合，保证新上线内容有基础曝光。
召回策略（Recall Policies）分层召回：热门、相似、个性化、冷启动专用。对新用户优先热度+时段热榜，对老用户更多历史与协同过滤信号。
评分与排序（Ranking）特征融合：短期CTR预测、停留时长预测、内容新鲜度、收益预估、多目标加权（即时交互 vs 长期留存）。推荐使用两阶段（Lightweight候选打分 → GBDT/NN精排）。
过滤与多样性控制（Post-processing）去重、违规过滤、类别多样性、冷启动插入。设定多样性比例（例如每页至少20%非热门内容），防止回路闭合。

四、短期（7天内可落地）快速改进建议

冷启动插入：每个用户会话前两条强插最新或编辑优选内容，提高新内容曝光。
热度衰减：把7日热度和24小时热度结合，防止旧热门长期霸屏。
多样性阈值：推荐页前10条中至少包含2条非热门/非同类内容。
简易CTR模型上线：基于最近7天用户行为训练轻量模型，把用户最近3次行为作为关键特征。
A/B保底实验：对每一项改动做7天A/B验证，监控CTR、次日留存、7日留存和付费转化。

五、中期（30-60天）与长期（90天）路线

中期：构建召回+精排两段流水线，引入Embedding检索（FAISS）、session-based features，开始实施小规模多臂试验（MAB）优化探索/利用权衡。
长期：引入强化学习思路（优化长期留存而不是短期CTR）、建立因果实验平台评估策略对LTV的影响、引入在线学习以实时适配趋势和突发事件。

六、衡量指标（别只看CTR）