近日，抖音透過“抖音安全與信任中心”網站首次公開了其推薦演算法的原理，揭示了推薦系統不僅僅是基於完播率，還涉及複雜的多目標平衡和推薦打分公式。
———— / BEGIN / ————
近日，“抖音安全與信任中心”網站上線。網站面向社會公開抖音演算法原理、社群規範、治理體系和使用者服務機制。
該網站首次公開抖音推薦演算法原理，演算法介紹部分包括內容有：從零開始瞭解推薦系統，使用者行為背後的演算法推薦邏輯，抖音演算法的多目標平衡，平臺治理為推薦演算法設定“護欄”。
以下是部分推薦演算法原理闡述
推薦演算法是對使用者各種行為機率的綜合預估
推薦只預估行為動作
當用戶開啟抖音時，抖音的推薦演算法會給候選影片打分，並把得分最高的影片推送給使用者。
使用者在觀看時可以對看到的影片做出各種互動，這些互動體現了使用者對這個影片的感興趣程度。比如使用者點贊比不點贊要好，看完比沒看完要好，沒有點不喜歡比點不喜歡好。在這裡，“看完了”就是一次反饋動作，“點贊”也是一次反饋動作。
使用者對觀看的影片的每一次反饋，都有正面或者負面的價值。抖音的推薦排序模型學習的也就是這種行為反饋，推薦系統的目標就是把反饋價值最高的影片推給使用者。
抖音推薦演算法的核心邏輯可以簡化為“推薦優先順序公式”：綜合預測使用者行為機率 × 行為價值權重 = 影片推薦優先順序。公式展開為：
機率模型預測：抖音推薦演算法都預估使用者哪些行為
推薦演算法會透過演算法模型預測使用者對候選影片的行為機率（動作率）。結合使用者行為和影片本身的價值權重，推算出影片推薦的價值分數，並將綜合得出的價值最高的影片推送給使用者。
在這個過程中，推薦演算法會對使用者的一系列行為預估，這些行為包括點贊、關注、收藏、分享、不喜歡、是否點選作者頭像、評論區停留時長、長期消費等等。
抖音演算法的多目標平衡
推薦演算法透過各種“目標”來預估使用者行為，為使用者推薦內容。但使用者的行為動作有很多，不同行為的重要程度會決定演算法推薦的優先順序。因此，為推薦演算法設定合理的目標格外重要。
推薦演算法在誕生之初只關注單一或者少量的目標，比如完播、點贊，但隨著平臺內容和各方需求日益多元化，單一目標已難以滿足實際需求，多目標推薦系統成為主流。
多目標推薦系統，核心在於同時建模和最佳化多種不同的目標函式、以構建更全面平衡的推薦策略。多目標反映了使用者、平臺或創作者的多樣化需求。
透過提升使用者體驗，讓使用者喜歡使用產品，是所有推薦系統的天然目標。推薦演算法在誕生之初，大多是服務這個目標，比如預測使用者觀看完內容（即完播率）、點讚的機率。
早期的抖音以15秒短影片為主，在這一階段中，完播率是推薦演算法的核心目標之一，這背後的邏輯是，完播率越高則意味著越多使用者喜歡這條影片。
隨著抖音的使用者愈發多樣化，內容風格也日益多元，例如平臺上有了越來越多的優質中長影片，完播率等少數目標已經無法滿足更多樣的需求。因此，透過多目標建模，成為技術上的自然選擇。
經過長期發展，抖音已經發展出非常複雜的多目標體系，有效優化了對內容的價值評估。
基於多目標建模，抖音對所有準備推薦給使用者的影片進行打分，其公式可以簡化為：
由此可以看出，一個影片是否被推出，取決於多種因素。每種因素背後都有著多個目標導向的考量。
———— / E N D / ————
本文來自微信公眾號：三言Pro，作者：三言財經