抖音公布算法原理将继续提升治理透明度以回应公众关切和质疑

抖音公布算法原理将继续提升治理透明度以回应公众关切和质疑

《科创板日报》4月17日讯（记者张洋洋）针对算法引发的种种争议，抖音公布算法原理，力图以提升透明度来回应公众质疑。

近期，抖音上线了安全与信任中心网站，网站公开了抖音算法推荐系统的原理、用户行为背后的算法推荐逻辑以及平台人工治理识别各类风险等内容。该网站目前还处于试运行阶段，正广泛向用户、创作者、社会各界征集意见。

在抖音开放日上，抖音算法工程师刘畅和抖音生态运营经理陈丹丹等人，也再度阐释了算法技术原理和平台的治理规则。

总结来讲，抖音方面称，抖音推荐算法的核心逻辑是，综合预测用户行为概率和用户行为价值权重来确定视频推荐优先级。

根据抖音安全与信任中心网站的介绍，当用户打开抖音时，抖音的推荐算法会给候选视频打分，并把得分最高的视频推送给用户。用户在观看时可以对看到的视频做出各种互动，这些互动体现了用户对这个视频的感兴趣程度。比如用户点赞比不点赞要好，看完比没看完要好，没有点不喜欢比点不喜欢好。在这里，“看完了”就是一次反馈动作，“点赞”也是一次反馈动作。

用户对观看的视频的每一次反馈，都有正面或者负面的价值。抖音的推荐排序模型学习的也就是这种行为反馈，推荐系统的目标就是把反馈价值最高的视频推给用户。

▍抖音的算法原理是什么？

在接受《科创板日报》等媒体采访时，抖音算法工程师刘畅介绍，抖音的推荐算法与国内外大部分内容推荐平台相似，包含召回、过滤、排序等环节，重点是学习用户行为。

抖音基于用户行为的推荐方法包含多种技术模型，如协同过滤、双塔召回、Wide&Deep模型等。算法可以在完全“不理解内容”的情况下，找到兴趣相似的用户，把其他人感兴趣的内容推荐给该用户。“协同过滤”推荐算法是最经典的推荐算法之一，至今仍然在广泛使用。

所谓“协同过滤”推荐，简单来说就是协同用户的行为，一起对海量的信息进行过滤，从中更加快速筛选出用户可能会产生行为（比如完播、点赞）的内容。

基于内容的协同过滤的大致过程是这样的。比如用户 A 观看了内容 X、Y、Z，用户 B 观看了内容 X、Z、W，那么X 和 Z 之间就有较高的相似度。然后根据用户对已观看或已评分内容的偏好，为用户推荐与这些内容相似的其他内容。

重点是计算内容之间的相似度，根据用户的行为数据，找出与目标内容相似的其他内容。这种方法在内容数量相对稳定、用户数量较大的场景下表现较好。目前，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。

虽然算法能学习、预估用户行为，但因其无法理解内容语义，对内容的理解存在不足，可能导致违法违规、不良内容被推荐传播。因此，算法在真实使用场景中，必须由平台治理对其进行约束和规范。

以抖音为例，据抖音生态运营经理陈丹丹介绍，抖音的内容治理体系是“人工参与+机器学习”相结合的模式，并组建了专门的平台治理团队为算法设置“护栏”，抖音平台治理体系包括异常感知、标准定义、机器识别、人工研判、风险处置等过程。

所有在平台发布的内容都会经过评估，流量越高的内容评估次数越多，标准也越严格；抖音内容审核采用“人工+机器”相互配合的模式，“机器”负责“宽度”评估所有投稿，“人工”负责“深度”，确保专业、敏感或疑难等问题尽可能精准研判。

刘畅称，抖音更关注用户长期价值，而非追求平台的短期数据。为此，抖音算法考虑了众多目标，如完播、评论、点赞、对作者长期消费、分享、跟拍等，力图计算出更符合用户长期价值的目标。

▍仍将提升治理透明度