推荐系统和基于推荐的用户场景已经覆盖99%的产品，几乎所有的产品都有“推荐”、“您可能喜欢”、“大家都在看”以及“广场”，连坚守时间流的微信订阅号也在灰度测试推荐策略。
推荐系统给我们推荐想看和爱看的内容，对于用户而言更能获得精准推荐的消费快感，今日头条的人均使用时长早已超过60分钟，而抖音、快手等更是设计了沉浸式视频场景。
但是，推荐系统不满足于推荐，还在探索用户的兴趣，它在给到满足用户需求内容的同时，还以显式和隐式的方式来试探用户兴趣，目的是提升推荐效果，但这也是推荐系统的原罪。
a）显式的兴趣反馈
几乎所有的推荐场景下，都会留有”不感兴趣“、”减少此类内容“、”不喜欢“等，用户一旦点击即告诉推荐系统：这不是我要的内容。推荐系统会果断减少此类内容的推荐，更会将”用户不喜欢xx“刻入用户画像永久保存。
公众号、快手、京东的显式反馈
b）隐式的兴趣探索
隐式的兴趣探索是对显式兴趣反馈的补充，因为显式兴趣反馈对于用户操作成本还是太高，效果不一定理想，所以隐式的兴趣探索横空出世。
隐式的兴趣探索，即用户在无感知情况下通过算法策略来试探用户兴趣。例如信息流产品，通常存在两种内容更新方式：无限下拉和顶部下来刷新。无论哪种更新方式，用户在每次更新时均会从内容库拉回8条新内容（常见5-10条），我们把8条内容叫做8个槽位。
这8个槽位各司其职，博大精深，十分玄妙。
一般的，倒数1-2个槽位用来进行兴趣探索，是这么玩的：
-
第一次刷出8条内容，槽位-7呈现了汽车评测
-
我没有点击
-
第二次刷出8条内容，槽位-7又呈现了汽车评测
-
我没有点击
-
第三次刷出8条内容，槽位-7不再出汽车，而是其他内容
这样，推荐系统就会知道”这个用户不喜欢汽车评测“，并更新到用户特征库中。
一、你正不知不觉的把自己贡献给推荐系统
我之前分享过所有的内容平台是如何在用户的不知不觉中获取用户信息的。下图就呈现了当用户点开一篇内容的详情页时，推荐系统从内容的不同字段来获取用户兴趣和特征的。
二、为什么推荐系统要这么做？
因为推荐系统是重要的获取用户特征数据的场景，而用户的特征数据是企业重要的数据资产。
