L6.02.1click-driven narrowing设计研究
优化点击会持续收窄内容范围
别名: 点击优化收窄 · 过滤气泡 · engagement narrowing
概念解释
把点击、完播、停留当成要最大化的量，下一次训练就会把「更像已点击的东西」排得更前。几轮之后，用户能看见的题材、作者、立场从宽变窄。Eli Pariser 把这种被算法收束的信息环境叫做过滤气泡（filter bubble）。这里的机制更窄：收窄是点击优化的直接产物，不需要编辑室有意隔离任何人。
收窄不是一次排序事故，是目标函数在时间上的积分。
机制
点击是对「已展示 ∩ 已吸引」的测量，不是对「用户可能感兴趣的全集」的测量。优化这个量，等于反复加强已被点过的邻域。相似内容更容易再被点，于是权重继续爬升；稍远的内容更少曝光，更少机会证明自己也能被点。循环不需要恶意，只需要「点了就加分」。
人的探索预算有限，界面又把高分条目放在最省力的位置，于是行为进一步配合收窄。气泡看起来像「用户就爱看这些」，其实是测量口径先把「没被点到的」判成了无价值。
怎么研究
Pariser 的过滤气泡是概念命名，不是实验室效应量。要检验点击优化是否收窄，需要在同一用户队列上对比：纯点击目标 vs 点击加多样性约束。记录若干会话后的题材覆盖、作者基尼系数、立场分布的熵。自变量：目标里点击权重、探索份额。因变量：目录覆盖随时间的斜率、用户能否事后认出「还有哪些没出现过的类」。
离线点击预测的提升不能当成用户变好。点击变多、覆盖变窄，可以同时发生。线上对照要报覆盖，不只报点击。
边界
用户主动订阅一个极窄的主题（只听一位演奏者）时，收窄是履行请求，不是气泡。库存本身就窄的目录（独立播客、内部知识库）没有「被优化掉」的空间。安全场景里收窄是目标：减少有害内容曝光。这条讲的是「以点击为唯一目标时范围会收」，不讨论多样性该怎么设计进目标，也不讨论用户看不见缺什么。
怎么落地
- 把点击当一个目标，不要当唯一目标。覆盖、作者分散、类目最低曝光要进同一张优化表，否则下一轮训练会把它们吃掉。
- 定期画出每位活跃用户可见集合的类目占比，看它是否在数周内单向变尖。变尖就是收窄正在发生。
- 验证：冻结模型，只改目标为「纯点击」跑影子队列，对比覆盖斜率。若影子队列覆盖下降而点击上升，说明当前产品已经走在这条路上。