AI推荐与热门内容：哪种更能提升用户参与度？

引言

最高的用户参与度数据背后可能隐藏着一个简单的失败：人们点击了，却没找到值得停留的内容。热门内容栏能迅速吸引注意力，而推荐功能则承诺提供相关内容。真正的考验在于，哪种方式能帮助用户做出更好的选择，同时既不浪费他们的时间，也不先考验他们的耐心。

你打开一个网站是为了寻找某样东西，结果却花了十分钟点击浏览那些你原本根本没打算阅读的推荐内容。这固然是用户参与，但未必是有价值的参与。人工智能推荐和热门列表都能让用户持续浏览；更棘手的问题在于，它们是否真的能帮助用户找到他们真正想要的内容。

一个大厅可支持多种探索方式

一个大型游戏大厅的成败，取决于用户能否在不被海量选择淹没的情况下找到目标。这才是此处的真正参与度难题。访客可能想看看什么内容正在引发关注，按游戏类型浏览，或直接前往熟悉的供应商，而页面需要支持每一种决策，且无需让用户为此费力。

theCasiny在线赌场的新西兰大厅正是围绕这种分层发现机制构建的。“热门”栏目将当前备受关注的游戏立即置于显眼位置，而“Stevo精选”则提供了一条独立的精选浏览路径。“老虎机”和“真人游戏”按游戏形式划分大厅区域，“Drops & Wins”则为促销锦标赛内容提供了专属的清晰展示区，而非将其混入普通信息流中。

随后，搜索栏和供应商筛选功能将控制权交还给访客。寻找特定游戏的用户可以绕过主导航栏，而另一位用户则可以将大厅范围缩小到特定工作室的软件。因此，Casiny 将内容发现视为产品本身的一部分：当前的流行度有助于做出初步决定，精选内容提供指导，而直接筛选则支持那些已经知道自己想要什么的用户。

这种组合为营销人员提供了更值得测试的课题。目标不仅仅是统计哪个导航栏获得最多点击，而是要观察哪种路径能帮助不同类型的访客以最小的阻力到达相关内容。

行为信号并不总是能反映真实兴趣

点击仅证明用户打开了某个内容，但不能证明他们喜欢它。观看时长也可能具有误导性，因为用户可能会让视频继续播放却未关注、因分心而中断，或者继续观看自己不喜欢的内容。

Meta 在 Facebook Reels 上针对这一问题进行了测试。Senthil Rajagopalan 及其 11 位合著者于2026 年发表的一项 Meta 工程研究发现，早期的兴趣启发式方法精确率仅为 48.3%。 该团队增加了信息流中的直接调查反馈，随后对经过修订的模型进行了超过1000万用户的测试。准确率上升至63.2%，召回率从45.4%攀升至66.1%，总参与度提高了5.2%。

其中的启示很简单：行为会为系统提供线索，但这些线索并不等同于用户意图。用户可能因为标题新奇而点击，因为自动播放持续运行而停留，最终却在未获得任何有价值内容的情况下离开。

热门内容解决了冷启动问题

只有当系统对用户有所了解时，个性化推荐才能发挥最佳效果。首次访问的用户既没有点击历史，也没有收藏项，更没有完成的会话，因此算法几乎无从入手。

热门内容能立即填补这一空白。它利用聚合活动数据，这意味着页面可以在尚未了解浏览者任何信息之前，就展示当前备受关注的内容。在实时事件或新内容发布时，这一点尤为有用，因为当下的兴趣往往比过时的偏好档案更有参考价值。

其弱点在于可能形成恶性循环：早期曝光带来点击，这些点击推动内容排名上升，而更高的排名又带来更多曝光。热门内容便会因原本就热门而持续占据优势。

Casiny 通过将“热门”栏目与独立的“老虎机”、“现场游戏”和“掉落与赢取”板块并列，缓解了这一问题。该页面依然为新访客提供了快速进入当前热门游戏的途径，但这些分类确保了“热门”不会成为浏览大厅的唯一路径。这为那些在进入前就已明确内容偏好的用户留出了空间。

澳大利亚用户仍希望掌控内容发现过程

人们并不总是希望算法替他们做出决定。搜索依然有用，因为搜索意图可以非常精准，尤其是当用户已经知道自己想要的艺人、主题或内容提供商时。

Spotify 于 2025 年 11 月发布的 YouGov 2025 年 7 月调查报告显示，在 4,017 名澳大利亚流媒体用户中，85% 对发现新音乐的能力表示满意。调查还发现，81% 的受访者表示澳大利亚艺人很容易找到，其中 Z 世代的比例升至 83%，千禧一代则达到 84%。 YouGov Profiles的另一项抽样调查显示，42%的受访者会主动寻找独立音乐人或知名度较低的艺术家。

这些数据表明，推荐系统是与主动发现并行运作的，而非取而代之。听众某天可能会接受一份个性化歌单，第二天却会按名称搜索本地乐队。

这一原则同样体现在Casiny的游戏名称搜索和提供商筛选功能中。访客可以绕过主导航栏，直接在大厅中进行筛选，当热门内容或精选推荐与当前需求不符时，这种设计为界面提供了实用的解决方案。

用户留存比“下一次点击”更难衡量

即时参与度很容易统计。而用户留存则更难衡量，因为它需要考察用户首次访问后是否会再次回来，而这一结果可能取决于价格、时机或十几个外部因素。

Spotify联合首席执行官古斯塔夫·索德斯特伦（Gustav Söderström）在2026年5月的Spotify投资者日上，给出了投资推荐系统的最清晰理由：“我们很早就将机器学习作为留存率的驱动力进行了投资”。

这句话清晰地划出了“注意力”与“价值”之间的界限。一条热门标题或许能赢得首次点击，但推荐系统只有在后续持续帮助用户发现有价值的内容时，才能真正证明其价值。

用户留存率也能揭示个性化推荐的缺陷。一个反复呈现相同主题的系统，起初可能产生很高的点击率，但随后就会变得乏味。更好的检验标准是：用户是否会再次回来，是否会探索超出其惯常选择的内容，以及是否完成了他们原本要完成的任务。

受控测试为营销人员提供更清晰的答案

凭猜测来在个性化内容和热门内容之间做出选择是一种拙劣的方式。最明确的答案来自针对可比受众、固定页面位置和明确时间窗口进行的受控测试。

A/B测试工具可覆盖各类平台，用于比较不同页面体验下的用户参与度、转化率和行为表现。此类测试能揭示推荐栏是能促进深度使用，还是仅吸引首次点击。

有用的衡量指标包括：

• 各导航栏的点击率
• 点击后的完成率
• 推荐不佳后的搜索使用情况
• 隐藏或跳过行为
• 固定时间段内的重复访问
• 转化或任务完成
• 内容消费的多样性
• 新用户与回头客的对比结果

受众分组至关重要。热门内容可能因能快速消除选择困难而在新访客中胜出，而个性化内容则可能在拥有明确浏览历史的回头客中表现更佳。若将两组受众合并测试，可能会掩盖这一差异，从而导致错误决策。

测试期间，页面位置也需保持固定。置于顶部的个性化推荐栏通常会胜过埋藏在下方热门推荐栏，但这一结果更多反映的是可见性，而非推荐质量。

混合式内容发现通常能带来最佳体验

最优秀的系统会为用户提供多种路径。热门内容提供了即时的切入点，而一旦系统积累了足够的可靠数据，个性化排序就会变得更有用。人工精选增添了专业判断，而直接搜索则让用户掌握主动权。

这种组合在推荐引擎出现偏差时也大有裨益。访客可以忽略推荐栏，选择一个分类或搜索特定内容，而无需离开页面。

Casiny 基于浏览器且针对移动端优化的主页必须在桌面、手机和平板屏幕上保留这些选择。“热门”栏目、人工精选和直接搜索只有在界面确保其在较小屏幕上易于访问时才保持实用性。由于没有经过验证的原生应用，因此用户体验取决于浏览器布局能否妥善完成这项工作。

这正是混合设计大显身手之处。该系统既能引导用户，又不会将他们局限于单一的排名方式；当自动推荐未能命中目标时，访客依然能找到清晰的导航路径。

最佳系统取决于用户的当前意图

当访客是新用户、时机至关重要，或者共享关注是体验的一部分时，热门内容的效果最佳。一旦系统拥有可靠的个人数据，并且不仅关注首次点击，个性化推荐的效果就会更强。

最佳的互动设计会为用户提供合理的起点，从他们的行为中学习，同时仍允许他们进行搜索或改变方向。真正的赢家并非某一种孤立的系统，而是能够契合用户当前意图的设计。

博彩仅面向成年人，应始终作为一种娱乐形式。切勿将其视为收入来源，玩家应仅使用自己承受得起的资金进行投注。