我把流程拆开后发现：91视频为什么你总刷到同一类内容？多半是内容筛选没弄明白
你有没有这种体验：打开91视频（或类似短视频平台），刷着刷着推出来的一片都是同样风格的内容——同一类剧情、同一套梗、同样的封面色调。把流程拆开看一遍后，会发现问题往往不是“平台故意圈你”，而是内容筛选和推荐机制的自然后果。下面把原理讲清楚，再给出针对观众和创作者的实操建议。
为什么会刷到同一类内容？先看流程的三大环节
- 候选生成（Candidate generation）
- 平台先从海量视频里挑选一批“候选”，这一步更多依赖标签、主题、作者历史行为、地域语言等粗筛规则。
- 候选池本身就有偏向性：热门主题、热标签和高产作者更容易被选中。
- 排序与打分（Ranking）
- 排序模型根据你过去的点击、停留时长、重复观看、点赞评论等信号给每个视频打分，得分高的排在前面。
- 模型会放大有明显互动模式的内容：某种梗如果能让用户停留和复看，类似内容分数就高，展示概率随之上涨。
- 回流闭环（Feedback loop）
- 你看了第一条类似内容并产生了互动，那么模型认为你偏好这类视频，就继续推荐相似内容，形成“刷同一类”闭环。
- 创作者也会观察到这种偏好，进而生产更多模板化内容，强化这一循环。
关键触发因素（为什么“同类内容”更容易被选中）
- 强信号的放大：完成率、重复观看、点击率等都会被模型极高权重放大。
- 标签/主题聚类：相同标签、相似标题或相同背景音乐的视频被聚在一起。
- 冷启动与长期偏好：新账号或新主题通过少量互动就迅速被分类，模型随之固定方向。
- 商业目标：平台想增加留存与广告转化，会优先推高互动的内容，而互动高的往往更集中的“爆款”格式。
- 创作趋同：看到能带来观看的套路后，更多创作者跟进，使得供给端高度同质化。
观众能做什么？六个实操方法帮你跳出“同类”循环
- 主动表达偏好：点“不是很感兴趣/不想看”，或直接长按不喜欢的视频，给出负反馈能更精准调整模型判断。
- 主动互动不同内容：有意识地点赞、评论或完整观看你想看到的类别，增加正向信号。
- 搜索并观看专题内容：通过搜索关键词或标签看完整视频，平台会把搜索行为视为强偏好信号。
- 清理或重设观看历史：短时间内清除推荐缓存或退出登录重刷，能帮助重置冷启动阶段。
- 订阅与关注替代刷流：关注你喜欢的创作者并在其主页看视频，能绕过部分算法冷门偏差。
- 多账号/多设备试验：在新环境创建不同偏好账号，把想看的内容先在新账号里培养起来。
创作者如何不再被“同质化”掩盖？
- 前3秒抓住差异化：模型重视早期留存，尽量用独特开头打断用户预期。
- 多维度标注与多标签测试：标题、标签、封面和描述都用不同版本实验，扩大候选池被选中的概率。
- 变形输出同主题：在同一主题下变换形式（讲故事、榜单、评论、短剧）降低被分类到单一“模板”的风险。
- 引导非典型互动：设计问题、投票或呼吁在评论区讨论，让互动类型多元化，利于算法识别多面向兴趣。
- 跨平台引流与分发：把粉丝从其他平台带入，打破平台内“同类内容”回路，使流量来源更广。
- 数据化A/B测试：用小样本测试不同封面、首句或标签，以数据决定长期风格，而不是盲目跟风。
简短清单（观众版 / 创作者版）
- 观众：点击“不感兴趣”；主动搜索并完整观看想看的主题；清理历史或短期使用新账号；多点互动（点赞/评论）你想看的内容。
- 创作者：测试不同开场与封面；写明确、多样标签；跨形式输出同主题；鼓励评论多样化互动；定期查看平台反馈数据并调整。
结语 你之所以总刷到同一类内容，往往不是算法单方面“想整你”，而是推荐链路里多个环节相互作用的结果：候选筛选、基于行为的强信号放大、供给端趋同，以及平台的商业目标。理解这个流程就能有针对性地改变策略：观众可以通过主动操作打破闭环，创作者可以通过多维实验让内容被更广泛地发现。换句话说，掌握筛选规则之后，你就能把“被推着走”变成“选着看”。
