对这类内容不感兴趣，不仅可能导致账号被拉黑，还能确保类似的内容不再被推荐给我。举例来说，我曾为了了解前体操队员的某个消息而特意搜寻相关信息，却意外地被大量推送了所谓的边缘视频。在多次点击“不感兴趣”之后，这类视频真的不再出现了。还有一次，当我得知有中国人在俄乌边境地区不幸遇难时，我也去搜索并观看过相关内容，同样遭遇了类似的视频推送。在连续几天点击“不感兴趣”之后，这些视频也消失了。

不感兴趣的意义在于向算法传达你对此类内容确实缺乏兴趣（或者即便暂时感兴趣，很快也会失去兴趣）。至于哪些内容会引发你的兴趣，其实可以保持开放的心态。

[]

第二个使用技巧：要尽可能横屏看。

横屏操作之后，那些零散的短视频便在你的信息流中不见了踪影，取而代之的是影视片段的剪辑以及众多知识型内容。若你感到这些片段令人不悦，觉得它们侵犯了版权，那么我的建议依然是：如果你不感兴趣，完全可以忽略它们。

横屏模式具备一独特优势，即其能自动切换至下一视频，区别于竖屏的持续循环播放同一内容。这一特性让抖音成为了我享受美食时的得力助手，即便在品尝小龙虾的过程中，也不必动手操作，完美契合了这种休闲时刻。

B站被誉为教育平台，然而在横屏模式下，抖音却变成了我获取冷门知识的宝藏——就拿我最近来说，通过观看下饭视频，我了解到外国朋友若要加入中国国籍，在身份证上填写民族信息时应如何操作。

B站的推荐功能似乎还不够出色，因此我更倾向于将横屏抖音视为一个类似“十万个为什么”的工具。在我的使用感受中，B站更像是一款专门提供游戏攻略的应用。

03

第三个技巧，我借鉴自他人，个人并无特别需求：抖音不仅限于观看，它同样适合聆听。

抖音有位高管在一次行业论坛里提到这样一组数据：

2024年，抖音平台上出现了一部名为《450分钟深度解读红楼梦》的短视频，该视频最终吸引了超过3亿次观看，并收获了700万次的收藏。

这并不重要。我确实注意到了，甚至还仔细观察了半分钟，之后难得地按下了收藏按钮，心想自己或许会再次查阅，尽管之后再也没有翻阅过。

该高层随后透露的数据让我感到震惊：观看人数的完播量已超过一百万。

这可是450分钟啊，相当于7个半小时呢！听说有人能达到100万的完播量？不过据我所知，即便只看半分钟然后直接跳到最后，这样的观看行为也不会被计入完播数据的统计之中。

谈及此事，朋友表示：抖音是可以被收听的。因此，很可能有很多视频并非在观看过程中被完整播放，而是用户在睡眠状态下完成的，至少系统是这样记录的。

如此看来，确实有道理。七个半小时的时长，早上醒来不就刚好播完了吗？可若是想要收听内容，为何不选择其他途径呢？比如说，小宇宙？

又有朋友说，他太太听抖音已经听了两年了。

经过深思熟虑，我确实觉得，许多横版知识视频，即便听听也无大碍。坦白讲，那些视频的画面，信息量其实相当有限，多数情况下，内容并不关键——这就像我常常觉得，公众号上的那些封面图片，简直是多此一举。

04

接下来，要说一个比较重要的事，这个和该怎么用也有关。

算法推荐的关键在于“打标”这一环节，这涵盖了多种打标方式，诸如为用户贴上标签，为内容赋予标签（广告同样属于内容范畴），以及为内容提供者或账户设立标签。标签划分得越细致，内容匹配的准确率或许就越高。

这至少是我长期以来对算法推荐的理解。

2025年3月31日，在举办于中国的2025中国网络媒体论坛上，抖音公司的总裁韩尚佑进行了主题演讲，他在讲话中提到：

当前，得益于机器学习技术的进步，抖音的推荐机制已不再主要依靠对内容或用户进行标签化处理。它转而运用一系列神经网络进行计算，直接预测每位用户对各类内容的潜在行为倾向，诸如点赞、关注、分享、评论等动作的可能性。随后，系统会筛选出概率最高的内容片段，向用户进行推荐。这一过程表明，算法无需深入理解内容的类别或含义，便能准确预测用户的行为模式。

在“抖音安全与信任中心”的官方网站上，官方对推荐算法的核心理念进行了概括，即：通过数学计算来掌握人类的行为模式。与人工推荐相比，推荐算法实现了关键性的范式创新，它把用户对于内容的特定喜好（例如点击、评分等明显行为）转化成了高维空间里的数学对应关系。

这些信息在新闻报道中均有公开披露，此外，我还获得了部分未曾对外公布的内容，然而，据称这些内容并未对外公开，因此我决定不进行展示。

我经过一番学习，坦白讲，那些过于琐碎的细节我确实没有完全掌握，比如高维空间里的数学映射，实在是超出常规的范围了。不过，我大致可以这样理解：算法推荐系统正在识别你的“意图”。

在目前流行的AI聊天机器人中，我们能够观察到它们在深度思考模式下揣摩你的意图，例如：

了解我的人都知道，我对算法推荐与信息茧房之间的联系并不十分关心。算法推荐主要关注的是用户的兴趣所在，而兴趣并不等同于立场、观点或态度，这些才是与茧房相关的内容。我对美国大选感兴趣，但这并不意味着我必须选择支持特朗普或哈里斯，这两者并非同一概念。在非极端立场的情况下，算法很难准确判断一个人的政治倾向。相反，当各种不同倾向的内容都被推送到我面前时，这反而有助于打破信息茧房。