抖音推荐算法原理公开

今天下午的时候，偶然刷到抖音集团公众号发布的文章《一文全解！抖音算法原理公开》。没错，官方公布了抖音推荐算法原理。根据抖音官方介绍：推荐平台依靠算法，能智能主动地发掘用户兴趣，帮助解决超大规模信息分发的效率问题。推荐算法核心目标是通过分析用户的“行为”（点击、浏览、喜欢、转发、收藏等），构建个性化的推荐模型。系统会基于用户历史动作、对象特征和上下文环境，采用算法模型，预测用户可能会对什么样的内容产生什么样的行为。重点来了，官方说：抖音算法已几乎不依赖对内容和用户打标签，而是通过神经网络计算，预估

今天下午的时候，偶然刷到抖音集团公众号发布的文章《一文全解！抖音算法原理公开》。

没错，官方公布了抖音推荐算法原理。

根据抖音官方介绍：推荐平台依靠算法，能智能主动地发掘用户兴趣，帮助解决超大规模信息分发的效率问题。

推荐算法核心目标是通过分析用户的“行为”（点击、浏览、喜欢、转发、收藏等），构建个性化的推荐模型。系统会基于用户历史动作、对象特征和上下文环境，采用算法模型，预测用户可能会对什么样的内容产生什么样的行为。

重点来了，官方说：

抖音算法已几乎不依赖对内容和用户打标签，而是通过神经网络计算，预估用户行为，计算用户观看这条内容获得的价值总和，把排名靠前的内容推给用户。

抖音应用的深度学习算法包括Wide&Deep模型、双塔召回模型等。前者可解决协同过滤算法容易造成信息单一、泛化不足的问题；后者在召回环节提供更好的推荐效果。

看完这两段介绍，我们是不是可以这么理解：

抖音目前的推荐算法是基于神经网络深度学习算法的，也就是系统会通过神经网络算法给用户建立画像，也会通过神经网络算法给内容进行建立画像，而不是通过打标签的形式了，完全依赖神经网络算法，然后把感觉对用户用价值的视频内容推荐到用户面前。

当时，我看到前面的话的时候，是这么理解的， 后来，我接着往下看，官方也介绍了用户行为背后的算法推荐逻辑，根据的理解意思差不多。

看截图：

根据官方的介绍，要点如下：

1、推荐算法是基于人工智能机器学习和深度学习构建的推荐算法。

2、抖音推荐算法的核心逻辑可以简化为“推荐优先级公式”：综合预测用户行为概率 × 行为价值权重 = 视频推荐优先级。

3、模型需要内容和用户两端的数据做输入，其中主要是学习用户行为数据。结合用户行为和视频本身的价值权重，推算出视频推荐的价值分数，并将综合得出的价值最高的视频推送给用户。

这三个要点其实就是我刚才的那个简单的理解意思大概差不多。

同时，根据官方的介绍，完播率并不是那么重要了，我们做短视频的都知道，5 秒完播率和整体的完播率，完播率越高被算法推荐的几率越高。

官方认为完播率并不能满足需求了。

原话如下：随着抖音的用户愈发多样化，内容风格也日益多元，平台上有了越来越多的优质中长视频，完播率等少数目标难以满足需求，多目标建模成为技术上的自然选择。

目前抖音已经发展出非常复杂的多目标体系，比如将收藏率纳入多目标，帮助知识类内容推送给有需求的用户。具体如下：

1、增强“收藏+复访”“关注+追更”“打开+搜索”等组合目标，预估用户长期行为，帮助用户探索长期需求；

2、设置探索类指标，帮助用户探索可能他们自己都还没发现的潜在需求，助力破除“信息茧房”；

3、设置原创性目标，鼓励优质、新颖且具有独特价值的内容推荐。

综合下来，我们可以看出：

目前抖音的推荐算法跟之前已经不一样了。

1、不再是打标签的形式了，而是依靠神经网络算法来构建用户和内容的画像，推荐的逻辑是用户的需求和视频内容价值的匹配。

2、更看重互动，比如：收藏、重复观看、关注、追更等行为，完播率的级别已经很低了。这背后的逻辑其实就是更强调价值了，因为只有有价值的内容，才会被收藏、重复观看和追更。