抖音背后的算法推薦邏輯

推薦算法已并非新生事物，但圍繞它的爭議卻從未間斷。這些爭議包括推薦算法帶來(lái)標題黨、低質(zhì)量、甚至虛假內容以及信息繭房的問(wèn)題。很多人對推薦算法技術(shù)存在誤解，認為算法是給內容打上對應標簽，再給用戶(hù)打上對應的屬性，最后通過(guò)數據運算，把對應標簽的內容推薦給有對應屬性的用戶(hù)。實(shí)際上，隨著(zhù)機器學(xué)習技術(shù)的發(fā)展，抖音的推薦系統已幾乎不依賴(lài)對內容或者用戶(hù)打標簽，而是通過(guò)復雜的神經(jīng)網(wǎng)絡(luò )計算，直接預測每個(gè)用戶(hù)對每條內容可能產(chǎn)生的互動(dòng)行為概率。

機器學(xué)習對推薦算法的主要貢獻在于建立評分系統，在海量算力和海量供給的環(huán)境里，把用戶(hù)行為抽象成數學(xué)里的映射關(guān)系，給用戶(hù)推薦以他為標準的高評分內容的目標。

算法會(huì )圍繞用戶(hù)的反饋建模，有沒(méi)有點(diǎn)贊、看到了第幾秒、寫(xiě)了什么評論、是否點(diǎn)開(kāi)了作者主頁(yè)……等等，這些互動(dòng)都會(huì )讓算法對一個(gè)用戶(hù)的了解逐漸加深，是抖音推薦算法的「北極星指標」，最終越來(lái)越準確的“預測”用戶(hù)行為的發(fā)生率，就是把反饋價(jià)值最高的視頻推給用戶(hù)。這意味著(zhù)，在這個(gè)高密度的數據化時(shí)代，算法無(wú)需深入理解內容的具體類(lèi)型或語(yǔ)義，就能高效預測用戶(hù)的潛在興趣和行為。

抖音背后的算法

過(guò)去短視頻平臺的推薦算法是在給內容和用戶(hù)打標簽，然后去做相互匹配，甚至產(chǎn)生了很多教人在養號時(shí)怎么引導系統給自己打標簽的玄學(xué)。然而，標簽機制是人工編輯時(shí)代的經(jīng)驗殘余，是讓算法模仿人類(lèi)的糊涂做法，只有在非常早期的推薦算法里才有用過(guò)，當機器學(xué)習的技術(shù)成熟之后，依靠幾百個(gè)標簽去理解內容的做法就完全被淘汰掉了。

近日，抖音安全與信任中心網(wǎng)站已上線(xiàn)試運營(yíng)，公開(kāi)了抖音算法推薦系統的原理、用戶(hù)行為背后的算法推薦邏輯以及平臺人工治理識別各類(lèi)風(fēng)險等內容。當前抖音推薦算法的核心邏輯可以簡(jiǎn)化為“推薦優(yōu)先級公式”：綜合預測用戶(hù)行為概率×行為價(jià)值權重=視頻推薦優(yōu)先級。

推薦優(yōu)先級公式

抖音推薦算法作為人工智能機器學(xué)習技術(shù)的重要應用場(chǎng)景，本質(zhì)上是一套高效的信息過(guò)濾系統。在抖音的實(shí)際應用中，所有在平臺發(fā)布的內容都會(huì )經(jīng)過(guò)評估，流量越高的內容經(jīng)過(guò)評估的次數越多，標準也越嚴格，“人工+機器”審核相互分工又密切配合 —— 機器負責「寬度」評估所有投稿，人工負責「深度」。創(chuàng )作者將內容上傳至后，首先進(jìn)入機器識別環(huán)節：如果內容被識別出含有高危特征，將被直接攔截；若未命中高危特征但模型判斷有問(wèn)題，則會(huì )送至人工審核，若問(wèn)題概率較低，則獲得基礎流量進(jìn)入下一環(huán)節。內容被舉報、評論區出現集中質(zhì)疑、流量激增等情況出現，均可能觸發(fā)再次審核，并導致停止進(jìn)一步推薦和分發(fā)的處置。

抖音基于用戶(hù)行為的推薦方法包含多種技術(shù)模型，如協(xié)同過(guò)濾、雙塔召回、Wide&Deep模型（均為推薦系統中常用模型）等。算法可以在完全“不理解內容”的情況下，找到興趣相似的用戶(hù)，把其他人感興趣的內容推薦給該用戶(hù)。

· 協(xié)同過(guò)濾推薦算法是最經(jīng)典的推薦算法，基于內容的協(xié)同過(guò)濾算法會(huì )分析和比較用戶(hù)行為。比如，用戶(hù)A觀(guān)看了內容X、Y、Z，用戶(hù)B觀(guān)看了內容X、Z、W，用戶(hù)C觀(guān)看了內容X、Z、V，算法就會(huì )判定X和Z之間就有較高的相似度，系統會(huì )根據用戶(hù)對已觀(guān)看或已評分內容的偏好，為用戶(hù)推薦與這些內容相似的其他內容。其原理就是，找到和你興趣相似的用戶(hù)，把他們感興趣的內容也推薦給你。

· Wide&Deep模型是抖音推薦算法主力模型之一，由Wide部分和Deep部分組成。Wide部分的主要作用是讓模型具有較強的“記憶能力”，模型可直接學(xué)習并利用歷史數據中物品或者特征的“共現頻率”；Deep部分的主要作用是讓模型具有“泛化能力”，能夠發(fā)掘稀疏甚至從未出現過(guò)的稀有特征與最終標簽相關(guān)性。以知識圖譜的跨域推薦，助力信息高效分發(fā)和連接，能夠解決協(xié)同過(guò)濾算法推薦結果頭部效應比較明顯的問(wèn)題。

當Wide&Deep模型與協(xié)同過(guò)濾算法共同發(fā)揮作用，平臺既可以快速推薦熱門(mén)內容，又能挖掘用戶(hù)潛在的多樣化興趣，讓小眾內容能被更多用戶(hù)關(guān)注。從推薦算法來(lái)看，抖音與國內外大部分內容推薦平臺相似，包含召回、過(guò)濾、排序等環(huán)節，而從數以?xún)|計逐漸減少到數以萬(wàn)計、數以千計，直到篩選出幾條用戶(hù)能夠刷到的內容，一切都要依靠算法的「召回」能力。

如何簡(jiǎn)單地理解「召回」：假設問(wèn)一個(gè)知道結果的球迷“哪支球隊是冠軍”，那么需要猜多少次才能知道世界杯冠軍？「召回」方式是把32支球隊編號，從1到32，然后提問(wèn)“冠軍在1號到16號之中嗎”？如果猜對了，就繼續問(wèn)“冠軍在1號到8號之中嗎”？如果猜錯了，那么就知道冠軍必然在9號到16號之間。這就是數學(xué)模型的本事，它并不需要知道這32支球隊的強弱關(guān)系，卻能以低且簡(jiǎn)潔的成本最大概率「召回」答案。

基于機器學(xué)習和深度學(xué)習構建的推薦算法，提升了超大規模信息分發(fā)、推薦的效率，能交付人類(lèi)難以快速高效完成的任務(wù)。從行為發(fā)生到現實(shí)有效反饋的時(shí)間已經(jīng)非常短，這種近似即時(shí)調整的機制，有助于算法更精準地預判用戶(hù)行為。抖音已經(jīng)實(shí)現了“分鐘級”實(shí)時(shí)反饋更新。

但由于算法是通過(guò)數據收集、特征工程、模型訓練等復雜流程嘗試復刻用戶(hù)選擇的不確定性，其本質(zhì)是數學(xué)模型的運算過(guò)程，而非理解內容本身，因此依然有其局限性。也正是因為這個(gè)特性，抖音曾嘗試直接給知識、歷史、科技等深度內容做加熱，但實(shí)際效果不佳。此舉改變了算法的正常邏輯，會(huì )影響數據循環(huán)，導致這些內容的后續推薦受到干擾；此后，抖音轉換思路，針對深度內容訓練，預估收藏和重復觀(guān)看概率的模型，使平臺中的深度內容分發(fā)效率更高。

價(jià)值模型就是對用戶(hù)的互動(dòng)行為進(jìn)行價(jià)值計算，并通過(guò)不斷調整參數，對各類(lèi)價(jià)值進(jìn)行加權，代表了抖音對于哪些動(dòng)作可能更重要的理解。簡(jiǎn)單來(lái)說(shuō)，如果僅考慮用戶(hù)交互概率，可能會(huì )造成一些問(wèn)題，比如，一些精心制作的中長(cháng)優(yōu)質(zhì)視頻可能因為完播率較低，而在分發(fā)中處于劣勢地位。通過(guò)對這些因素的深入分析和權衡，「價(jià)值最大化」原則能夠為每個(gè)候選內容計算出反映其潛在價(jià)值的分數，從而為后續的推薦提供有力的依據。

而正是由于算法推送內容的規律性，近年來(lái)在實(shí)踐層面，用戶(hù)對于“反向馴化”算法樂(lè )此不疲 —— 不連續點(diǎn)贊同類(lèi)視頻、不使用平臺搜索記錄、不定期清除瀏覽痕跡，通過(guò)這種刻意制造“數據噪聲”更積極地馴化、制衡算法，主動(dòng)告訴算法自己的需求和偏好，倒逼平臺算法提升推薦服務(wù)水平。

算法大時(shí)代

推薦算法的本質(zhì)是信息過(guò)濾系統，這和信息爆炸的環(huán)境有關(guān)。根據IDC的報告顯示，全球產(chǎn)生的數據量2024年達159ZB，到2028年將達384ZB。需要說(shuō)明的是，1ZB等于10萬(wàn)億億個(gè)Byte，如果以一部約兩小時(shí)的4K電影約20G的大小來(lái)衡量，159ZB相當于7.95萬(wàn)億部電影，連續播放這些電影需要約18億年。這已完全超出了歷史上任何一個(gè)時(shí)代需要處理的信息體量。

抖音每天新增視頻高達億數量級，而普通用戶(hù)平均每天能夠消費的視頻撐死了也就幾百條，那么在這有限的幾百條視頻里，怎么盡可能的確保它們都是用戶(hù)喜歡的，就是算法需要不斷精進(jìn)的母題。不少人將算法視作信息繭房推手，但事實(shí)與之相去甚遠。

信息繭房一詞來(lái)源于美國法學(xué)教授凱斯·R·桑斯坦2006年出版的《信息烏托邦》，指如果人只關(guān)注和選擇自我愉悅的內容，信息接觸面便會(huì )越來(lái)越窄，困于自我編織的繭房中。事實(shí)上，這一概念提出時(shí)并非針對算法，也沒(méi)有實(shí)證研究和量化數據支撐。

社交媒體、搜索引擎等不同網(wǎng)絡(luò )平臺實(shí)際上擴充了用戶(hù)的信息源，不同觀(guān)點(diǎn)的網(wǎng)絡(luò )用戶(hù)集群之間不會(huì )完全隔離，使用戶(hù)接觸到的信息多樣性高于不使用這些平臺的用戶(hù)。但即使是最優(yōu)秀的算法工程師，也無(wú)法脫離算法技術(shù)的種種理論和架構，簡(jiǎn)單解釋為什么把某個(gè)視頻推薦給了這些用戶(hù)而非那些用戶(hù) —— 當每個(gè)用戶(hù)都變成數據里的“點(diǎn)”時(shí)，用戶(hù)無(wú)法縱覽全貌，必然極易感覺(jué)身處黑盒當中。

此外，算法治理已成為當今平臺面臨的共同問(wèn)題。中央網(wǎng)信辦以壓實(shí)網(wǎng)站平臺主體責任為抓手，出臺系列政策法規，構建算法備案、安全評估、監測檢查、執法處罰等全流程監管體系，加強算法治理。只有提高算法設計的透明度和算法運行的可解釋性，才能守好算法應用“責任田”。