# 什么是推荐系统中的负反馈？用户的"踩"和"不感兴趣"怎么用？

🚀 本文收录于Github：[AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

> by @Laizhuocheng

---

## 一、简介

你有没有遇到过这种情况：刷短视频时，系统反复推送你讨厌的内容，你点了"不感兴趣"，结果过一会儿类似的视频又冒出来了？或者你明明点了"踩"，那个博主的内容还是不断出现在推荐流里？

这种体验让人抓狂，但背后其实涉及一个关键问题：**推荐系统如何理解和利用用户的负反馈？**

在推荐系统的世界里，用户行为分为两大类：正反馈（点赞、收藏、点击、观看）和负反馈（点踩、标记不感兴趣、举报）。长期以来，大家更关注正反馈——毕竟用户喜欢什么，我们就推什么，这听起来很合理。

但负反馈的价值被严重低估了。想想看，用户愿意主动点"踩"，说明这个内容真的触碰到了他的厌恶点。这种明确的反感信息，比沉默式的不点击要有用得多。就像你问朋友想吃什么，他说"随便"的时候你完全没方向，但他说"绝对不吃香菜"的时候，你至少知道该避开什么。

这篇文章，我们就来聊聊推荐系统如何利用负反馈，让推荐变得更懂你。

---

## 二、什么是负反馈

负反馈，简单来说，就是用户明确表达"我不喜欢这个"的信号。

在推荐系统中，负反馈主要包括三种形式：

| 负反馈类型 | 用户行为 | 信号强度 | 含义解读 |
|-----------|---------|---------|---------|
| 不感兴趣 | 点击"不感兴趣"按钮 | ⭐⭐ | 内容不匹配当前兴趣，可能是时机不对或口味变化 |
| 点踩/不喜欢 | 点击"踩"或"不喜欢" | ⭐⭐⭐ | 对内容有明确厌恶，可能涉及质量、价值观冲突 |
| 举报 | 点击"举报"按钮 | ⭐⭐⭐⭐⭐ | 内容可能违规，涉及合规层面，需人工审核 |

这三种信号的强度和含义完全不同。用户对某个搞笑视频点"不感兴趣"，可能只是现在不想看娱乐内容；但如果点"踩"，可能是觉得这个博主的笑点太 low；而举报则可能涉及不当言论。

理解这些差异很重要，因为它们决定了后续的处理策略。就像医生看病，发烧和骨折都需要治疗，但方法完全不同。

---

## 三、负反馈如何利用

负反馈的利用可以从三个层面来理解：实时响应、模型优化和内容治理。

### 3.1 实时响应层面

用户点踩之后，最直观的期待是："别再让我看到这种内容了。"

这需要系统在召回和排序阶段都做处理：

**召回阶段**：建立负反馈内容的索引，当用户再次请求推荐时，直接从候选集中过滤掉这些内容。

**排序阶段**：给负反馈内容打上惩罚因子，大幅降低它们的排序分数。

更进一步，用户踩的是具体某条内容，但系统需要扩散到同类内容上。否则用户会觉得："我都点不感兴趣了，怎么还推类似的？"

这里的技术方案是基于内容的 embedding 向量做相似度计算。当用户踩了内容 A，系统会检索出与 A 向量距离最近的 Top K 个内容，把它们也加入降权列表。

```python
# 伪代码示意：实时负反馈过滤
def handle_dislike(user_id, item_id, item_embedding):
    # 1. 直接屏蔽该内容
    blacklist.add(user_id, item_id, expire_days=7)
    
    # 2. 扩散到相似内容
    similar_items = vector_search.find_similar(
        item_embedding, 
        top_k=50,           # 找最相似的50个
        similarity_threshold=0.85  # 相似度阈值
    )
    
    # 3. 相似内容降权而非完全屏蔽
    for item in similar_items:
        demote_list.add(user_id, item.id, expire_days=3)
```

### 3.2 模型优化层面

负反馈在模型训练中的价值更高，因为它提供了明确的边界信息。

在推荐系统中，我们有大量"曝光未点击"的样本，但这些样本很模糊——用户可能是没看到、可能是没兴趣、也可能是有兴趣但没时间点。

负反馈不一样，用户主动踩了，说明模型推荐错了，这个错误的方向是明确的。

**作为 Hard Negative 样本**

很多团队会把负反馈样本标记为 hard negative，在损失函数里给它更大的权重：

```python
# 伪代码：加权损失函数
def calculate_weighted_loss(samples):
    total_loss = 0
    for sample in samples:
        base_loss = binary_cross_entropy(sample.prediction, sample.label)
        
        # 负反馈样本应用更高权重
        weight = 3.0 if sample.is_negative_feedback else 1.0
        total_loss += weight * base_loss
    
    return total_loss / len(samples)
```

**多目标优化**

在多任务学习框架下，负反馈可以作为一个独立的预测目标。除了预测点击率、观看时长，还可以单独预测负反馈率：

```
最终得分 = w1 × CTR分数 + w2 × 时长分数 - w3 × 负反馈分数
```

这里的 w3 就是负反馈的惩罚系数，通常会设置得比较大（比如 2-3），体现对用户厌恶偏好的重视。

### 3.3 内容治理层面

通过聚合分析负反馈，可以识别出低质内容，这对整体生态健康很重要。

如果某个内容被大量用户踩，说明它可能是低质内容，需要在全局层面降权甚至下架。这需要实时统计负反馈率等指标，设置阈值触发审核机制。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/222989cd975f51816820fb96b5baf6cb.png)

---

## 四、负反馈利用的优缺点

| 优势 | 劣势 |
|-----|-----|
| 信号明确，比未点击样本更有学习价值 | 数据稀疏，用户主动反馈的比例很低 |
| 能直接表达用户厌恶偏好，避免踩雷 | 存在噪声，可能是误触或情绪性操作 |
| 帮助模型学习更精准的决策边界 | 过度使用会导致推荐过于保守 |
| 可用于识别低质内容，优化平台生态 | 用户兴趣会变化，历史负反馈可能过时 |

**关键权衡点**：

- **即时性 vs 准确性**：用户期待实时响应，但负反馈可能有噪声，需要平衡
- **个性化 vs 探索性**：过度依赖负反馈会让推荐变保守，损失发现新内容的机会
- **短期体验 vs 长期学习**：实时过滤保证即时体验，但模型训练需要积累数据

---

## 五、实际应用与发展趋势

### 5.1 实际应用场景

**短视频平台**

抖音、快手等平台大量使用负反馈信号。当用户点"不感兴趣"后，系统会追问"是内容重复还是不喜欢这类题材"，这些细分原因帮助模型更精准地理解负反馈含义。

**电商推荐**

淘宝、京东等电商平台，用户对某类商品的厌恶通常比较稳定。如果用户踩了所有奢侈品广告，这个偏好可能长期有效，负反馈的时间衰减可以设计得慢一些。

**新闻资讯**

用户的兴趣变化快，今天关心的话题明天可能就不关心了，所以负反馈的时间衰减要设计得快一些，可能 7 天后权重就降到很低。

### 5.2 当前局限性与改进方向

**负反馈稀疏性问题**

对于新用户或冷门类目，负反馈数据往往不足。解决方案是借用相似用户的负反馈模式来补充，比如通过聚类算法把用户分成不同的兴趣群体，用群体的共同厌恶偏好作为参考信号。

**恶意负反馈防范**

在实际场景中还要考虑恶意行为的防范，比如竞争对手雇水军批量点踩。解决方案包括：
- 行为模式检测：识别短时间内集中给同一类内容点踩的异常账号
- 设备指纹和 IP 校验：降低来自同一 IP 段或设备指纹的信号权重
- 用户信誉体系：给长期活跃、行为正常的老用户更高权重

### 5.3 未来发展趋势

1. **更细粒度的负反馈理解**：不只是"喜欢/不喜欢"，而是理解"为什么不喜欢"——是内容质量、题材偏好、还是创作者因素？

2. **动态权重调整**：根据用户群体、内容类型、业务阶段动态调整负反馈权重，而非使用固定值。

3. **因果推断应用**：从相关性走向因果性，真正理解负反馈背后的用户意图，而非简单关联。

4. **多模态负反馈**：不仅利用显式的点踩行为，还通过分析用户的隐式行为（如快速滑动、停留时间短）来推断负向偏好。

---

## 六、总结与思考

负反馈是推荐系统中一个被低估的宝藏信号。它不像正反馈那样让人愉悦，但它告诉系统"什么内容会让用户反感"，这种边界信息对模型学习至关重要。

利用负反馈的核心思路可以总结为三点：

1. **实时响应**：用户点踩后立即过滤或降权，保证即时体验
2. **模型学习**：将负反馈作为 hard negative 样本，提高学习权重
3. **内容治理**：聚合分析识别低质内容，优化平台生态

但负反馈不是万能的。过度依赖会让推荐变得保守，只敢推那些"安全"的内容，损失探索性和多样性。好的推荐系统需要在"尊重用户厌恶"和"保持探索精神"之间找到平衡。

> **最后思考**：推荐系统的终极目标不是让用户永远看到"喜欢"的内容，而是帮助用户发现"有价值"的内容。负反馈告诉我们该避开什么，但更重要的是，它让我们更清楚地知道该往哪个方向探索。

---

*如果这篇文章对你有帮助，欢迎 Star [AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目，一起学习 AI！*


🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

什么是推荐系统中的负反馈？用户的"踩"和"不感兴趣"怎么用？

你有没有遇到过这种情况：刷短视频时，系统反复推送你讨厌的内容，你点了"不感兴趣"，结果过一会儿类似的视频又冒出来了？或者你明明点了"踩"，那个博主的内容还是不断出现在推荐流里？

数据开发/数据仓库

人工智能

算法

大数据

推荐系统负反馈指用户明确表达不喜欢的信号，如"踩"和"不感兴趣"按钮。负反馈能帮助系统过滤低质内容、优化推荐模型，但需平衡即时响应与长期学习。文章详解负反馈类型、利用方法及发展趋势，帮助开发者构建更精准的推荐系统。

2026采购季 | AI焕新·智启新局

tione

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

什么是推荐系统中的负反馈？用户的"踩"和"不感兴趣"怎么用？-腾讯云开发者社区-腾讯云

什么是推荐系统中的负反馈？用户的"踩"和"不感兴趣"怎么用？

什么是推荐系统中的负反馈？用户的"踩"和"不感兴趣"怎么用？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐