Quality-Variety Tradeoffs in Recommendation Systems on Content Platforms

【核心结论快览 (Executive Summary)】

• 核心机制发现：本文揭示了内容平台推荐系统在提升质量推荐精度（Quality-based Accuracy, $b_{q}$）时面临的根本性“质量-多样性权衡（Quality-Variety Tradeoff）”。

• 供给侧逆反效应：提高质量推荐权重虽能在单体层面激励创作者追加质量投资，但在对称博弈均衡中，所有活跃创作者均同等提高质量，导致各创作者相对质量差额不变、无法获取超额流量份额。创作者平均流量保持 $\frac{1}{n^{*}}$ 不变，但面临激增的制作成本，从而触发“多样性减少效应”——大量资金薄弱的长尾创作者被迫退出市场。

• 福利反转与倒 U 型曲线：当消费者对横向品味匹配度（Match, $\delta$）高度敏感、对爆款（Trendy, $\gamma$）存在不可预测的随机性、且平台准入门槛（$c_{0}$）较低时，过度强调质量推荐将导致内容池严重枯竭，使得平台总福利 $W^{*}$ 呈现倒 U 型变化（先升后降）。

• 顶层设计法则：推导证明了“推匹配无需界限，推质量保持克制”的非对称算法美学——平台应将匹配推荐精度（$b_{m}$）最大化，但应将质量推荐精度（$b_{q}$）战略性限制在中等水平。

【创作者内容生产成本函数分解 (Word 内生公式)】

$$C(q) = c_{0} + \lbrack C(q) - C(0)\rbrack = c_{0} + \int_{0}^{q}{C'(s)ds},C'(q) > 0,C''(q) > 0$$

— 成本结构分解

• $c_{0} = C(0) > 0$：创作者的最低准入门槛（Barrier to Entry）或固定制作成本（如购置摄影录音设备、注册运营账号、克服基础审核的初始精力投入）。

• $C(q) - C(0)$：质量提升成本（Quality-improvement Cost），代表创作者在基础门槛之上，为了优化视听特效、剧本构思和后期剪辑所追加的边际投资。$C''(q) > 0$ 表明边际质量提升难度递增。

【消费者匹配溢价与总效用函】

$$m_{ij} = \delta \cdot \mathtt{1}_{\backslash i = j\backslash}$$

$$v_{ij} = q_{j} + m_{ij} = q_{j} + \delta \cdot \mathtt{1}_{\backslash i = j\backslash}$$

— Equation (1) in PDF

• 若创作者 $j = i$ 未进入平台，则第 $i$ 类消费者的最佳匹配内容缺失，只能被迫消费其他品类（$m_{ij} = 0$）。

【算法推荐概率通用公式】

$$\rho_{ij} = \frac{1}{n} + b_{q} \cdot (q_{j} - {\overline{q}}_{- j}) + b_{m} \cdot (m_{ij} - {\overline{m}}_{i, - j})$$

— Equation (2) in PDF

• $\frac{1}{n}$：Naive 无信息基准推荐概率（完全随机均等推送）。

• $q_{j} - {\overline{q}}_{- j}$：质量差额导向项。其中 ${\overline{q}}_{- j} = \sum_{s \neq j}^{}{q_{s}/(n - 1)\ }$ 为除内容 $j$ 外其他所有进入内容的平均质量。参数 $b_{q} \in \lbrack 0,{\overline{b}}_{q}\rbrack$ 为质量推荐精度（Quality-based Accuracy）。

• $m_{ij} - {\overline{m}}_{i, - j}$：匹配差额导向项。其中 ${\overline{m}}_{i, - j} = \sum_{s \neq j}^{}{m_{is}/(n - 1)}$ 为其他进入内容对用户 $i$ 的平均匹配度。参数 $b_{m} \in \lbrack 0,{\overline{b}}_{m}\rbrack$ 为匹配推荐精度（Match-based Accuracy）。

• 性质保证：在合理参数边界下，$0 \leq \rho_{ij} \leq 1$ 且对所有用户满足 $\sum_{j = 1}^{n}\rho_{ij} = 1$。

【算法分段推荐概率公式】

$$\left\{ \begin{matrix} \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) + b_{m}\delta & 若\ i = j \\ \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) - b_{m} \cdot \frac{\delta}{n - 1} & 若\ i \neq j,i \leq n \\ \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) & 若\ i > n \end{matrix} \right.\$$

— Equation (3) in PDF

【分段微观机制深度拆解】：

1. 最佳匹配用户群体 ($i = j$)：此时用户 $i$ 的偏好与创作者 $j$ 完美吻合（$m_{ij} = \delta$），而对其他 $n - 1$ 个入驻创作者内容的匹配度为 $0$（${\overline{m}}_{i, - j} = 0$）。因此匹配差额项为 $m_{ij} - {\overline{m}}_{i, - j} = \delta - 0 = \delta$。该创作者获得正向匹配流量奖励 $+ b_{m}\delta$。

2. 其他已入驻品类的目标用户 ($i \neq j,i \leq n$)：此时用户 $i$ 的最佳匹配创作者在市场上（为其同名创作者 $i \leq n$），对当前创作者 $j$ 的匹配度为 $0$（$m_{ij} = 0$）。而在其他 $n - 1$ 个竞品中，恰好包含用户 $i$ 的最佳匹配，故竞品平均匹配度为 ${\overline{m}}_{i, - j} = \frac{\delta}{n - 1}$。匹配差额项为 $0 - \frac{\delta}{n - 1} = - \frac{\delta}{n - 1}$。该创作者受到算法匹配惩罚 $- b_{m} \cdot \frac{\delta}{n - 1}$。

3. 最佳匹配创作者未进入平台的用户 ($i > n$)：此类用户的理想品类创作者未入驻（$i > n$），市场上现存的所有 $n$ 个内容对其匹配度均为 $0$（$m_{ij} = 0,{\overline{m}}_{i, - j} = 0$）。匹配差额为 $0$，推荐概率退化为仅由质量差额决定的基础概率。

【创作者总浏览量求和与匹配项抵消机制】

$$\rho_{j} = \sum_{i = 1}^{N}{}\frac{1}{N}\rho_{ij} = \frac{1}{N}\left\lbrack \left( \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) + b_{m}\delta \right) + (n - 1)\left( \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) - b_{m}\frac{\delta}{n - 1} \right) + (N - n)\left( \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) \right) \right\rbrack$$

$$= \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) + \frac{1}{N}\left\lbrack b_{m}\delta - (n - 1)b_{m}\frac{\delta}{n - 1} \right\rbrack = \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j})$$

— 总流量汇总公式

• 核心代数洞见：正向匹配奖励 $+ b_{m}\delta$ 与负向匹配惩罚 $- (n - 1)b_{m}\frac{\delta}{n - 1} = - b_{m}\delta$ 在宏观全平台受众汇总时恰好完全抵消！

• 经济学启示：在基准模型中，匹配精度 $b_{m}$ 仅改变流量在不同细分用户群间的结构分配，而不改变任何创作者的单体总流量期望。

【创作者净期望收益函数】

$$\pi_{j}(q_{j}) = \rho_{j} - C(q_{j}) = \frac{1}{n} + b_{q}(q_{j} - {\overline{q}}_{- j}) - C(q_{j})$$

— Equation (4) in PDF

【对称均衡最优内容质量】

$$C'(q^{*}) = b_{q} \Longrightarrow q^{*}(b_{q}) = (C')^{- 1}(b_{q}),\frac{{dq}^{*}(b_{q})}{{db}_{q}} = \frac{1}{C''(q^{*}(b_{q}))} > 0$$

— Equation (5) in PDF

【均衡创作者数量与导数分析】

$$n^{*}(b_{q}) = \frac{1}{C(q^{*}(b_{q}))} = \frac{1}{c_{0} + \int_{0}^{q^{*}(b_{q})}{C'(s)ds}}$$

$$\frac{{dn}^{*}}{{db}_{q}} = - \frac{1}{\lbrack C(q^{*})\rbrack^{2}} \cdot \frac{b_{q}}{C''(q^{*})} < 0,\frac{\partial}{\partial c_{0}}\left| \frac{{dn}^{*}}{{db}_{q}} \right| < 0$$

— Equation (6) in PDF

• $\frac{{dn}^{*}}{{db}_{q}} < 0$：严格证明了随着质量推荐精度 $b_{q}$ 的提高，均衡创作者数量 $n^{*}$ 反而严格减少！

• 准入门槛调节机制：$\frac{\partial}{\partial c_{0}}\left| \frac{{dn}^{*}}{{db}_{q}} \right| < 0$，证明当平台的最低准入门槛 $c_{0}$ 越低时，提升质量推荐精度导致创作者退出、内容多样性流失的斜率就越陡峭！

【平台期望总收益 / 消费者总福利】

$$W^{*} = q^{*}(b_{q}) + \frac{\delta + n^{*}b_{m}\delta^{2}}{N} = q^{*}(b_{q}) + \frac{\delta}{N} + \frac{b_{m}\delta^{2}}{N} \cdot \frac{1}{C(q^{*}(b_{q}))}$$

— Equation (7) in PDF

• 第一项 $q^{*}(b_{q})$：客观质量带来的基础效用。

• 第二项 $\frac{\delta}{N}$：随机推荐下偶遇最佳匹配的基准概率（$\frac{n^{*}}{N} \cdot \frac{1}{n^{*}} \cdot \delta = \frac{\delta}{N}$）。

• 第三项 $\frac{b_{m}\delta^{2}}{N}n^{*}$：算法基于匹配精度 $b_{m}$ 精准识别并推送最佳匹配内容所创造的额外超额匹配溢价。

【质量精度提升导致平台福利受损的充要条件】

$$\frac{\partial W^{*}}{\partial b_{m}} > 0,\frac{\partial W^{*}}{\partial b_{q}} < 0 \Longleftrightarrow \frac{b_{m}\delta^{2}}{N} > \frac{\lbrack C(q^{*}(b_{q}))\rbrack^{2}}{b_{q}}$$

— Proposition 2 Welfare Reversal Condition

• 该反转条件（过度强调质量反而有害）在以下三种市场环境下最容易被触发：

1) $b_{m}$ 较大：算法本身已具备极高水准的个性化圈层识别能力；

2) $\delta$ 较大：消费者对垂直细分品类具有极强的忠诚度与圈层依赖（看对眼的内容价值极高）；

3) $c_{0}$ 较小：平台准入门槛极低（此时创作者流失对多样性的破坏远超质量提升的增益）。

【爆款驱动市场消费者效用函数】

$$v_{ij} = (q_{j} + \gamma_{j}) + m_{ij}$$

— Equation (9) in PDF

【爆款冲击下的事后分段推荐概率公式】

$$\left\{ \begin{matrix} \frac{1}{n} + b_{q}\lbrack q_{j_{1}} + \gamma_{j_{1}} - ({\overline{q}}_{- j_{1}} + {\overline{\gamma}}_{- j_{1}})\rbrack + b_{m}\delta & 若\ i = j_{1} \\ \frac{1}{n} + b_{q}\lbrack q_{j_{1}} + \gamma_{j_{1}} - ({\overline{q}}_{- j_{1}} + {\overline{\gamma}}_{- j_{1}})\rbrack - \frac{1}{n - 1}b_{m}\delta & 若\ i = j_{2},j_{3},\ldots,j_{n} \\ \frac{1}{n} + b_{q}\lbrack q_{j_{1}} + \gamma_{j_{1}} - ({\overline{q}}_{- j_{1}} + {\overline{\gamma}}_{- j_{1}})\rbrack & 若\ i \neq j_{1},\ldots,j_{n} \end{matrix} \right.\$$

— Equation (11) in PDF

• 其中 ${\overline{q}}_{- j_{1}} + {\overline{\gamma}}_{- j_{1}} = \sum_{s \neq j_{1}}^{}{(q_{s} + \gamma_{s})/(n - 1)}$ 为除 $j_{1}$ 以外其他所有进入内容的平均有效质量。

【创作者事后实际总浏览量与事前期望浏览量】

$$\rho_{j_{1}} = \sum_{i = 1}^{N}{\frac{1}{N}\rho_{ij_{1}}} = \frac{1}{n} + b_{q}\lbrack q_{j_{1}} + \gamma_{j_{1}} - ({\overline{q}}_{- j_{1}} + {\overline{\gamma}}_{- j_{1}})\rbrack$$

$$\backslash mathbbE\lbrack\rho_{j_{1}}\rbrack = \frac{1}{n} + b_{q}(q_{j_{1}} - {\overline{q}}_{- j_{1}})$$

— Equation (12) in PDF

【公式 (12) 的微观与宏观经济学含义剖析】：

1. 匹配项的再次完全抵消：由公式 (11) 可见，不论是否存在外部质量冲击 $\gamma$，横向匹配偏好带来的流量红利与惩罚在全平台受众汇总求和时依然严格抵消为 $0$。

2. 事前预期与事后实现的剧烈分离：

• 事前期望浏览量（Ex-ante Expectation）：在冲击发生前，$\backslash mathbbE\lbrack\gamma_{j_{1}}\rbrack = \backslash mathbbE\lbrack{\overline{\gamma}}_{- j_{1}}\rbrack = \frac{K\gamma}{N}$。因此期望总流量为 $\backslash mathbbE\lbrack\rho_{j_{1}}\rbrack = \frac{1}{n} + b_{q}(q_{j_{1}} - {\overline{q}}_{- j_{1}})$，与基准模型形式完全一致！这说明爆款的存在并不改变创作者事前的均衡质量 $q^{*}$ 和均衡进入数量 $n^{*}$。

• 事后实际浏览量（Ex-post Realization，公式 12）：一旦爆款冲击揭晓，公式 (12) 驱动流量池发生极其剧烈的分化：踩中爆款（$\gamma_{j_{1}} = \gamma$）的幸运内容获得巨大的正向质量差额，流量随 $b_{q}$ 爆发式暴涨；而未踩中爆款的普通内容质量差额为负，流量被算法严重蚕食。

【爆款市场中的平台期望总收益解析式】

$$W^{*} = q^{*} + \frac{\delta + n^{*}b_{m}\delta^{2} + K\gamma}{N} + b_{q}\gamma^{2}\frac{K(N - K)n^{*}}{N(N - 1)}$$

— Lemma 1 in PDF

• 第四项 $b_{q}\gamma^{2}\frac{K(N - K)n^{*}}{N(N - 1)}$：代表推荐算法精准捕捉爆款并将其高效分发给全网用户所创造的“爆款匹配溢价”。

【爆款引入对质量推荐精度边际福利的影响差额】

$$\left. \ \frac{\partial W^{*}}{\partial b_{q}} \right|_{\gamma > 0} - \left. \ \frac{\partial W^{*}}{\partial b_{q}} \right|_{\gamma = 0} \propto C(q^{*}(b_{q}))C''(q^{*}(b_{q})) - b_{q}^{2} = \left\lbrack c_{0} + \int_{0}^{q^{*}(b_{q})}{C'(s)ds} \right\rbrack C''(q^{*}(b_{q})) - b_{q}^{2}$$

— Proposition 3 Proof

【消费者异质性估值下的期望总福利公式】

$$W^{*} = q^{*} + \frac{\delta + n^{*}b_{m}(1 + \sigma_{\theta_{m}}^{2})\delta^{2}}{N} + \frac{K\gamma}{N} + b_{q}(1 + \sigma_{\theta_{q}}^{2})\gamma^{2}\frac{K(N - K)n^{*}}{N(N - 1)}$$

— Proposition 4 in PDF

• 匹配异质性 $\sigma_{\theta_{m}}^{2}$ 的调节：方差越大，用户对内容多样性的依赖程度越高，提高质量精度 $b_{q}$ 伤害平台的参数区间越宽。

• 质量异质性 $\sigma_{\theta_{q}}^{2}$ 的放大：在低 $c_{0}$ 环境下，质量方差放大了质量内卷的破坏力，使得提升 $b_{q}$ 更加容易伤害平台。

【内生需求下的平台期望福利均衡方程】

$$W^{*} = (C')^{- 1}(G(W^{*})b_{q}) + \left\lbrack \frac{\delta + K\gamma}{N} + \frac{b_{m}\delta^{2}}{N} + b_{q}\gamma^{2}\frac{K(N - K)}{N(N - 1)} \right\rbrack \cdot \frac{G(W^{*})}{C((C')^{- 1}(G(W^{*})b_{q}))}$$

— Proposition 5 in PDF

【小众创作者跨界转型制作大众内容的临界判定条件】

$$b_{m} \cdot \delta \cdot \Delta d > \frac{b_{q}^{2}}{4} \cdot \Delta\varphi \Longleftrightarrow {\overset{\sim}{b}}_{q} = 2\sqrt{\frac{b_{m}\delta\Delta d}{\Delta\varphi}},{\overset{\sim}{b}}_{m} = \frac{b_{q}^{2}\Delta\varphi}{4\delta\Delta d}$$

— Equation (22) & Lemma 2 in PDF

• 当 $b_{m}$ 较高时，主流赛道的流量吸金效应被极度放大，逼迫小众创作者跨界转型制作粗糙的主流内容；

• 当 $b_{q}$ 较高时，客观质量权重上升，激励小众创作者坚守专业特长赛道以获取质量竞争优势。

【用户多期消费赫芬达尔指数】

$${HHI}_{i} = \sum_{j = 1}^{N}s_{ij}^{2}$$

$${HHI}_{available} = \frac{1}{n^{*}} + \left( 1 + \frac{1}{n^{*} - 1} \right)b_{m}^{2}\delta^{2},{HHI}_{unavailable} = \frac{1}{n^{*}}$$

— Equation (23) & Proposition 8 in PDF