特征提取：当新用户上传一个视频时，系统会首先对视频进行自动标签化，这个过程是通过计算机视觉和深度学习技术实现的。通过这种方式，系统能够从视频中提取出一些显式的特征信息，比如内容主题、视觉元素、音频特征等。

1.初始推荐：系统会先将这个新视频随机推荐给1万个用户，这个过程被称为"流量池"阶段。这些用户会根据他们的兴趣和行为对这个视频进行交互，比如点击、播放、停留、关注、评论、点赞和转发等。

2.质量评估：系统会根据这些用户的交互数据来评估当前视频的质量。其中，完播率是一个重要的评估指标，它指的是视频被完整播放的次数占总播放次数的比例。如果完播率较高，说明这个视频的质量较高，更符合用户的兴趣和需求。

3.扩大推荐：如果一个视频的质量评估结果较好，系统会将其推荐给更多的用户，这个过程就像是将一个视频从一个流量池推向另一个更大的流量池。这种方式可以让优秀的视频获得更多的浏览量，从而提高了用户的满意度和活跃度。

4.避免资源倾斜：这种推荐机制可以有效地避免资源倾斜问题。即使是一些新用户或者使用小号的用户，只要他们上传的视频质量高，都有机会获得更多的浏览量。这有助于创造一个公平的竞争环境，避免了系统偏向大号大V的问题。

总的来说，这种推荐机制能够有效地将优秀的视频推向更广泛的用户群体，同时保证了资源的公平分配，对于提升用户活跃度和满意度有重要的作用。