解读

面试官想验证三件事：

1. 你是否把“不感兴趣”当成模型负样本闭环的一部分，而非简单 UI 组件；
2. 能否在中国合规框架（《个人信息保护法》《算法推荐管理规定》）下，兼顾负反馈收集效率与用户“被监听”焦虑；
3. 是否能把负反馈转化为可量化的模型指标（如曝光过滤率、负样本占比、后续 CTR 提升），并沉淀到数据飞轮。

一句话：不是画按钮，而是设计“负反馈数据产品”。

知识点

1. 负样本分层：
   • 硬负例（Hard Negative）：用户明确点“不感兴趣”，需立即降权且进入训练集；
   • 软负例（Soft Negative）：完播<15%、快速滑过等隐式信号，用于补充。
2. 负反馈四要素：粒度、时效、衰减、撤销。
3. 国内合规要求：
   • 算法备案需披露“用户关闭兴趣标签”路径；
   • 负反馈数据属“敏感个人信息”，加密存储+单独授权；
   • 必须提供“一键关闭个性化推荐”入口，且关闭后 24h 内生效。
4. 模型侧技巧：
   • 实时流：Kafka 队列 200ms 内写入，Flink 特征修正，避免重复曝光；
   • 样本权重：硬负例权重=3×软负例，防止模型被稀疏信号带偏；
   • 冷启动：新 Item 采用“探索-利用”ε-greedy，负反馈>3 次即进入局部黑名单。
5. 产品侧指标：
   • 负反馈率 = 负反馈 PV / 曝光 PV（健康区间 1.5%–3%）；
   • 负反馈后 7 日 CTR 提升 ≥ 8%；
   • 用户再次投诉率 ≤ 0.1%。

答案

“不感兴趣”按钮不是孤立控件，而是“负反馈数据产品”的核心采集器，最佳实践分四层：

1. 入口层：

   • 采用“三级触点”策略：长按卡片→浮层→二次确认，减少误触；
   • 文案用“减少类似内容”替代“不感兴趣”，降低对抗情绪；
   • 提供“标签级”与“作者级”双选项，满足《算法推荐管理规定》第 17 条“细化关闭粒度”要求。

2. 数据层：

   • 实时流：点击后 200 ms 内写入 Kafka，特征服务平台立即将该 <user_id, item_id, reason> 标记为 hard_negative，并同步到线上粗排黑名单，10 min 内停止重复曝光；
   • 离线仓：每日离线任务将负样本与正样本按 1:3 混合，使用权重校正（weight=3）训练 DSSM 召回模型，防止样本不均衡；
   • 合规存储：负反馈数据属敏感个人信息，采用 AES-256 加密、国密 SM4 算法落盘，保存期限不超过 90 天，到期自动擦除。

3. 模型层：

   • 多目标 Loss：在 CTR 任务基础上增加“负反馈预测”辅助头，权重 λ=0.15，使模型提前感知潜在负向信号；
   • 探索策略：新内容若累计负反馈≥3 次且曝光≥50 次，自动进入局部黑名单，停止探索；
   • 衰减机制：负反馈权重按指数衰减 e^(−t/7) 降级，7 日后权重降至 0.2，避免永久封杀导致兴趣漂移无法挽回。

4. 体验层：

   • 撤销能力：负反馈后 3 s 内出现 Toast“已减少类似内容”，提供“撤销”按钮，点击率控制在 0.8% 以内，既给出口又防止滥用；
   • 反馈闭环：负反馈后 24 h 内推送“是否改善”微调研，回收率≥12%，用于校验模型效果；
   • 一键关闭：在“设置-隐私-个性化推荐”提供总开关，关闭后 24 h 内生效，且后台停止写入任何兴趣标签，满足《个保法》第 24 条。

上线后核心指标：负反馈率稳定在 2.1%，负反馈后 7 日 CTR 提升 9.4%，用户投诉量下降 38%，算法备案审核一次通过。

拓展思考

1. 多模态负反馈：短视频场景可结合“静音、划走速度、评论区关键词（如‘别推了’）”做多模态融合，提高负例识别准确率。
2. 群体负反馈：同一内容在高活用户群中负反馈率突增，可触发“群体降权”策略，提前止损热点反噬。
3. 负反馈商业化边界：广告主内容被点“不感兴趣”是否同步到广告引擎？需单独 AB 实验，避免品牌方投诉“限流”。
4. 可解释性升级：计划上线“为什么不推”模块，用自然语言生成“因你标记了×次‘不感兴趣’，系统已降低此类内容权重”，提升用户信任度，同时为算法透明备案提供素材。