从海量内容中高效发现优质体验的智能推荐系统
新图页签流量分配（占总流量百分比）
"绝大多数UGC地图是多人竞技型，需要同时有多名玩家匹配才能成功开局。新地图必须在短时间内获得集中的曝光，才能解决'流动性'问题，确保玩家成功匹配。"
在仅有2%的流量情况下，若平均分配给所有新内容，则每个作品获得的曝光极其有限。分散曝光导致的长时间匹配失败，会造成极其负面的玩家体验，降低玩家继续体验UGC内容的意愿。这就需要一个智能的流量分配机制，在资源稀缺的情况下最大化优质内容的发现效率。
作品进入系统前，会经过初步的质量和规则校验，设立入池门槛过滤低质量内容。根据作品来源（如官方推荐、特定作者）、是新建还是更新等因素，给予不同的初始关注度，实现差异化对待。
快速筛选低质内容
判断作者历史表现
通过筛选的作品进入冷启动流量池，系统为池内作品分配初始探索流量，收集早期用户反馈。MAB算法根据作品的累计得分和置信度，动态调整后续的流量分配。表现好的作品获得更多"利用"流量，表现差的逐渐减少流量，这一步是集中流量、保障多人匹配的关键。
收集早期用户反馈数据，不确定性高
集中流量于高质量内容，解决匹配问题
当作品满足预设的毕业条件时（主要基于累计曝光量达到某个阈值），认为其已度过冷启动阶段。毕业作品离开冷启动池，进入常规主推荐系统，参与更广泛的流量分配。
毕业后的作品将进入主推荐系统，获得更多曝光机会和更广泛的玩家群体。优质作品有机会进入热门推荐，形成良性循环。
从海量UGC中快速识别并推广有潜力的地图，提升整体内容质量
智能集中流量，改善多人地图匹配难、开局慢的核心痛点
基于真实玩家行为数据进行流量分配，更客观公正，减少主观因素
系统目前在线上运行，并持续监控和调优中。我们正积极探讨当前的"出池条件"是否最优，以及如何更好地平衡毕业速度、置信度和主推荐系统的承接。
"最终目标是让玩家更容易发现并玩到高质量、能成功开局的UGC地图。"
如何在仅有2%的新图流量下，更高效地进行内容分发，是系统未来迭代的核心挑战。我们需要进一步提高算法精度，更早识别潜力内容。