游标分页与曝光去重

为什么不用 offset 分页

传统分页是 offset + limit。但推荐结果会随时间、用户行为、实验策略变化——上次的「第 20 条」这次可能已经不是同一条了。用 offset 分页会：

• 重复：用户看到已看过的内容。
• 漏数据：中间的内容被跳过。
• 不稳定：策略一变，顺序全乱。

游标分页

Feed 通常用游标分页：

GET /feed?cursor=xxx&limit=20

游标里可以包含：

• 用户标识。
• 请求时间。
• 已曝光集合摘要。
• 策略版本。
• 候选池位置。

服务端据此生成下一批结果，保证「不重不漏」地往下续。

曝光去重

用户不希望短时间反复看到同一条视频。系统需要记录曝光历史：

• 最近已曝光视频集合。
• 已完整播放或快速跳过的视频。
• 不感兴趣和举报的视频。
• 作者维度的重复控制。

曝光数据存哪

曝光记录可以按用途分层：

• 在线去重要求低延迟，用 Redis 的集合 / 位图。
• 离线训练需要完整历史，落行为日志。

刷新策略

用户主动下拉刷新时，期望看到「新内容」而不是同一批：

• 刷新时带上 refresh_token / 时间戳，服务端优先返回新候选。
• 新内容不足时，用「未曝光但稍旧」的内容补齐。
• 避免刷新前后几乎一模一样。

一句话

游标分页 + 曝光去重，是 Feed「稳定、不重、可刷新」的基础。它把「用户看到哪」变成可管理的数据，也为后面的推荐算法铺好地基。

下一节处理没有行为历史的用户——冷启动。

上一章节

视频卡片模型

下一章节

冷启动