你有没有遇到过这种情况？刚在购物App里买了一双拖鞋，接下来三天首页全是各种拖鞋推荐，连家里的猫看了都嫌弃。这其实是推荐系统没处理好重复内容的典型翻车现场。别以为这只是小问题，推来推去都是老面孔，用户跑得比信号满格还快。
过滤已消费内容，像清理缓存一样自然
最基础的一招，就是把用户已经点过、买过、看过的东西先筛掉。比如视频平台，用户刚看完一部剧，系统就得记一笔，短期内别再推同样的剧集，哪怕数据模型说“他可能还想再看十遍”。实现上可以在推荐结果生成后加一层过滤逻辑：
if user_id in viewed_items and item_id == viewed_items[user_id]:
remove_from_recommendations(item_id)这就像你家路由器会自动避开拥堵信道一样，系统也得主动绕开用户已经“连接过”的内容。
用时间衰减机制，给旧内容降权
有些内容不是不能重复推，而是得讲究时机。新闻类推荐常会遇到热点回流，比如某明星突然又上热搜了。这时候可以用时间衰减函数，让老内容的权重随时间下降，除非它再次变热。
举个例子，一个商品上周被频繁点击，但这周热度下降，系统就该自动调低它的曝光优先级，腾位置给新冒头的选项。就像WiFi信号穿墙后会减弱，用户对旧内容的兴趣也会随时间衰减。
多样性策略：别只盯着“最可能点击”的那个
很多推荐系统太功利，只推预测点击率最高的内容，结果越推越窄。加入多样性机制，相当于给信号源加了个多天线路由器，覆盖更广。
比如在商品推荐中，可以按品类做配额控制：即便用户最近总买零食，也适当插入一两条服饰或家居的推荐。这样既避免单调，也可能意外激发新兴趣。就像你在客厅装了信号放大器，不仅主卧有网，阳台刷视频也不卡。
用户反馈闭环：让他自己决定“别再推这个”
最直接的办法，是给用户一个“不感兴趣”按钮，并且真听他的。用户点了“不想看这条”，系统就该记录并短期屏蔽同类内容。这就像你手动重启路由器，解决某个设备连不上问题——简单粗暴但有效。
关键是后续要验证：用户点了屏蔽后，相关推荐是不是真的少了？如果还是反复出现，那这个闭环就是摆设。
推荐系统的本质，不是拼命塞东西，而是精准递出用户想接的那一个。避免重复，不只是技术问题，更是对用户体验的尊重。就像稳定的WiFi覆盖，不该有死角，也不该满屋子都是同一个信号源的回声。