算法与内容增长 · 研究

抖音推荐算法与内容分发全解：从行为预测、热门机制到平台治理

更新于 2026 年 9 月 4 日

系统解释抖音推荐流程、公开公式、多目标价值、优质内容分发、长期兴趣、新一代模型、评论治理和用户控制功能。

一条视频获得多少播放，取决于它在什么场景下被提供给哪些用户、这些用户可能得到什么价值，以及内容能否持续满足平台的质量和治理要求。观看、点赞、收藏、评论、分享和关注都参与这个过程，但它们所表达的含义并不相同：有人为消遣停留，有人为解决问题收藏，有人为持续学习关注，也有人因为不同意见进入评论区。

理解抖音，需要同时看三条线：推荐系统怎样筛选内容，价值模型怎样评价用户与创作者的长期收益，治理体系怎样影响内容的传播范围。三者共同组成实际的内容分发系统。

本文以抖音安全与信任中心“信息公开”栏目及其原始子页面为基础，覆盖截至2026年9月4日可见的文章正文、关键配图、网页长图和专题说明。技术解释、案例分析与创作方法按主题展开，参考文献统一列于文末。

阅读目录

一、理解推荐系统：它在解决什么问题

1.1 推荐系统的基本任务

推荐系统的任务，是在一个远超个人阅读能力的内容集合中，寻找某个用户此刻更可能需要的内容。它面对的不是一份固定节目单，而是持续增长的视频、图文、直播和其他信息供给，以及不断变化的用户行为。

不同的信息组织方式，对用户的主动性要求不同。门户网站先把信息分门别类，用户沿目录寻找；搜索引擎等待用户提出问题，再返回匹配结果；社交网络依赖关注和关系链组织内容；推荐系统则根据历史互动和当前场景，主动推测用户可能需要什么。它们可以共存，搜索和关注行为也可以反过来帮助推荐系统。

抖音把推荐算法描述为高效的个性化信息过滤工具。一个用户曾经看过什么、怎样观看、对哪些内容表达认可、在什么情况下快速离开，都会构成理解需求的线索。内容本身的特征，以及当前时间等场景信息，也参与匹配。

因此，一条视频的推荐价值与接收它的人有关。专业相机维修视频可能对摄影器材爱好者很有价值，对没有相关需求的用户吸引力很低。推荐系统试图解决的正是这种差异：让同一条内容在合适的人群中发挥价值，而不是简单给所有人播放同一批高热视频。

1.2 推荐、热门和热榜是三个不同概念

推荐，是内容被系统选入某个用户的信息流。热门，是人们对内容获得较大传播量的日常描述。热榜，则是特定产品中的榜单结果，通常对应明确的榜单对象、排序和运营机制。一个作品被大量个性化推荐，与某个话题进入热榜，并不是同一件事。

讨论“为什么这条视频火了”时，可以进一步拆成四个问题：它为什么进入候选集合，为什么在部分用户那里排得靠前，为什么能够不断触达新的相关用户，以及为什么在传播扩大后仍然适合继续推荐。前两个问题主要涉及匹配和排序，第三个涉及需求规模、反馈和探索，第四个同时涉及质量与治理。

这样的拆分有助于理解播放曲线。一条视频停止增长，可能是相关用户被逐步覆盖，也可能是后续受众的反应发生变化，或是内容进入了新的治理评估。单凭一个播放量数字，无法分辨这些环节各自发挥了多大作用。

本文所说的热门机制，主要讨论个性化推荐如何形成大规模传播。栏目中的公开资料提供了这条链路的原理、价值目标和治理节点，没有给出一份可直接计算所有视频最终播放量的统一排行榜公式。

1.3 行为预测、价值判断与内容理解

推荐系统里有几类容易混淆的能力。行为预测回答用户是否可能看完、点赞、收藏或关注；价值判断回答不同反馈应该怎样影响推荐；内容理解则尝试识别画面、声音、语言、语境及它们之间的关系。这些能力可以相互配合，但并不等价。

例如，一段强烈刺激情绪的视频可能让人停留很久。模型预测到停留，并不自动意味着内容真实、对用户长期有益，或适合在整个社区扩大传播。平台因此需要多目标价值模型和治理流程，补充单个即时行为无法表达的信息。

2025年初的基础科普着重说明：即使不具备人的理解方式，模型也能通过用户与内容的统计关联预测行为。2025年末的大模型文章进一步讨论语义理解、上下文建模与知识推理的作用。两类文章对应不同层次的说明：前者解释推荐为何可以依靠数学关系成立，后者讨论如何使用新的模型能力增强推荐。

判断推荐系统“懂不懂内容”，更准确的方式是看具体任务。识别字幕、理解反讽、推测用户需求、查证事实和进行价值判断，各有不同的输入、训练方式与评估目标。把它们合成一句“算法懂”或“算法不懂”，反而会遮蔽实际机制。

二、一条视频怎样进入用户的信息流

2.1 从内容池到最终列表

传统推荐流程可以理解为逐层收缩候选范围：内容发布并接受初步评估，进入可供推荐的内容集合；召回从海量内容中筛出一批相关候选；排序进一步判断哪些候选更值得优先展示；最后再通过多样性、新鲜度和产品策略调整列表。

公开文章把更完整的传统链路描述为召回、粗排、精排、混排等环节。召回重视覆盖与效率，粗排使用相对轻量的计算快速缩小范围，精排投入更复杂的模型估计多个目标，混排或重排则处理最终列表的整体体验。某条视频单独看起来不错，也可能因为列表里已经有相似内容而被调整位置。

互动科普用“从大量内容中找出数千条候选，再筛选出更小集合”的方式展示这一过程。这里的数量是帮助理解量级的说明。实际服务会受产品场景、模型配置、内容供给和用户情况影响。

治理与这条漏斗同时运行。初始发布时检查底线问题，传播过程中仍可能重新评估，因此内容进入候选池不等于此后永久保有推荐资格。匹配、排序、探索和治理并不是互相隔绝的部门流程，而是共同作用于最终分发结果的系统环节。

2.2 为什么需要多条召回通路

如果只用一种方式找候选内容，系统容易漏掉不同来源的需求。用户可能同时对历史、运动和家庭烹饪感兴趣，也可能在今天突然需要某个维修教程。召回因此需要从多个方向寻找内容，随后合并候选集合。

基础文章介绍双塔召回，多样性文章介绍多兴趣召回、长尾扶持与随机探索，新版兴趣模型则把长期统计引入召回。科普课程的简介还用热门与兴趣等不同“大网”解释候选来源。不同通路可以承担不同任务：发现已经表现出的兴趣、补足被低估的兴趣、恢复长期偏好，或试探尚未出现明确反馈的新内容。

召回的意义在于争取被后续模型评估的机会。某条内容即使潜在价值很高，如果没有进入候选集合，后续精排也无法把它排到前面。这也是新一代架构探索希望减少多层信息损失的原因。

对新视频而言，系统最初拥有的互动记录有限，需要结合已有特征与探索逐步积累反馈。对新用户而言，也需要在有限历史下试探需求。公开科普把这些问题归入冷启动和探索，但没有给出所有新作品都一致的首批播放配额。

2.3 双塔模型如何完成匹配

双塔模型分别处理用户侧与内容侧的信息。用户塔接收历史行为、兴趣和场景等特征，内容塔接收视频或物品的相关特征。经过训练，两端输出可以在同一数学空间中比较的向量。

向量可以理解为一串数字组成的表示。现实中的多种因素被压缩到这个表示里，使系统能够高效比较大量用户与内容之间的关系。训练后的每一维通常不再对应一个容易直接命名的标签，因此不能把向量中的某个数字简单理解为“喜欢美食程度”或“爱看搞笑程度”。

在召回时，系统利用相似度或匹配分寻找候选。用户向量与某个内容向量越匹配，该内容越可能进入候选集合。具体匹配函数取决于模型设计；向量接近表达的是模型中的相关性，不直接等于最终观看概率，更不等于热门概率。

双塔结构适合大规模匹配，是因为内容端表示可以被高效组织和检索。它解决的是从巨大候选空间中迅速找到相关内容的问题，后续排序还要结合更多目标和信息进一步判断。

一个直观例子是，长期观看相机参数测评的人，可能也会对镜头保养、摄影包选择和后期工作流感兴趣。模型可以从交互模式中学到这种联系，而不必要求用户先手工填写一张完整的兴趣调查表。

2.4 相似度公式怎样计算

原网页用余弦相似度介绍向量关系。设用户表示为向量 (u)，内容表示为向量 (v)，余弦相似度为：

cos⁡(u,v)=u⋅v∥u∥∥v∥\operatorname{cos}(u,v)=\frac{u\cdot v}{\|u\|\|v\|}

分子是逐维相乘再求和，分母是两个向量长度的乘积。这个指标主要比较方向。非零向量同向时结果接近1，互相垂直时为0，方向相反时接近-1。

例如 (u=(1,2))、(v=(2,3))：

u⋅v=1×2+2×3=8u\cdot v=1\times2+2\times3=8
∥u∥=5,∥v∥=13\|u\|=\sqrt5,\quad\|v\|=\sqrt{13}
cos⁡(u,v)=865≈0.9923\operatorname{cos}(u,v)=\frac8{\sqrt{65}}\approx0.9923

结果表明两个表示在这个简化空间里方向接近。0.9923是相似度值，而不是99.23%的点赞概率或热门概率。若需要得到行为概率，通常还要通过进一步的模型计算和概率映射。

余弦相似度、点积和距离是不同的比较方式。向量归一化以后，余弦相似度与点积会建立直接联系；未归一化时，向量长度也会影响点积。因此，不能仅凭科普文章展示一种公式，就推断所有召回模型使用完全相同的打分方式。

2.5 兴趣时钟：同一个人为什么在不同时段看不同内容

推荐不仅涉及用户与内容，还涉及场景。一个人早晨通勤可能偏好简短资讯，周末下午可能愿意看出游攻略，晚上有较长空闲时才阅读深入分析。这些是兴趣与情境之间的关系，而不是用户突然变成了另一类人。

“体验算法”用兴趣时钟展示时间因素如何影响推荐倾向。用户拨动时针，可以看到演示中的内容组合改变。它说明时间可以成为模型输入，帮助区分同一用户在不同场景下的需要。

新版推荐文章同样讨论了历史偏好与实时场景的联合建模。例如，模型可以结合某人对露营的长期兴趣、近期的装备浏览，以及当前是否接近周末，估计其对某类内容的需求。

从这个机制可以推导出一个创作实验方向：观察内容所解决的问题通常在何时出现，再比较相近作品在相近场景下的反馈。早餐教程、通勤信息和周末活动指南可以有不同的需求节奏。场景匹配的重点是让内容在需求出现时有用，公开资料没有把某个时刻定义为适用于所有账号的统一发布黄金时间。

三、推荐分数与多目标公式

3.1 概率模型与价值模型的分工

推荐排序需要先估计用户可能产生哪些行为，再评价这些行为对用户、作者和平台意味着什么。前者是概率模型的任务，后者是价值模型的任务。

原网页把核心逻辑概括为：综合预测用户行为概率，与行为价值权重结合，形成视频推荐优先级。配图列出了用户点赞概率、收藏概率、评论概率等一组行为预测，以及用户价值、长期用户价值、作者价值、平台价值等一组价值维度。

可以将其理解为两个连续问题：第一，如果把视频推荐给这个用户，他可能怎样反应；第二，这些反应在当前推荐目标下有多重要。一条视频可能在某种行为上占优、在另一种行为上不占优，综合排序需要处理这种差异。

配图还出现了符号 (\delta)，但页面正文未给出它的完整定义。可确定的信息是概率与价值共同参与推荐，而不是把某个未解释符号自行解释为账号等级、流量池系数或人工加权系数。

“行为价值”也不是用户已经点了多少赞的简单累计。排序发生在展示之前，模型需要估计一个尚未发生的用户—视频交互。历史真实反馈用于帮助模型学习，预测值用于当前候选的比较，两者在时间和用途上不同。

3.2 原网页中的多目标乘法表达

《抖音算法的多目标平衡》的配图展示了如下简化形式：

Srecommend=f(valuelike,weightlike)×f(valuefollow,weightfollow)×f(valuecomment,weightcomment)×⋯S_{\mathrm{recommend}}= f(value_{\mathrm{like}},weight_{\mathrm{like}}) \times f(value_{\mathrm{follow}},weight_{\mathrm{follow}}) \times f(value_{\mathrm{comment}},weight_{\mathrm{comment}}) \times\cdots

其中，(S)表示推荐分数；like、follow、comment分别对应点赞、关注与评论目标；(value)和(weight)表示目标价值及相关权重；(f)表示对某个目标进行计算或转换的函数。省略号意味着还包括其他目标。

这个表达最重要的信息，是不同目标经过处理后共同决定分数。图中采用乘法形式，不能把它转写成“点赞数加评论数”后当成同一个公式。与此同时，函数 (f) 的具体形式、输入如何标定、权重如何取值以及不同场景如何组合，都没有在这张科普图里展开。

从数学上看，乘法容易表达目标之间的共同作用：多个大于基准的因素相乘，会产生叠加放大；某个因素降低，也可能抑制整体结果。但实际系统需要处理零值、数值范围、稳定性和目标间尺度差异，因此不能假定“没有评论就一定总分为零”。关键在于函数如何把原始信号变换成参与融合的数值。

这也是理解公式时必须保留的结构：目标值、目标权重、目标变换和最终融合，是四个相关但不同的部分。

3.3 用计算示例理解权重怎样改变结果

为了说明概率与权重的关系，可以先构造一个教学用的加权评分：

V=1×plike+4×psave+6×pfollowV=1\times p_{like}+4\times p_{save}+6\times p_{follow}

假设视频A的点赞、收藏、关注概率分别为0.20、0.03、0.01，视频B分别为0.12、0.08、0.03。计算得到：

VA=0.20+4×0.03+6×0.01=0.38V_A=0.20+4\times0.03+6\times0.01=0.38
VB=0.12+4×0.08+6×0.03=0.62V_B=0.12+4\times0.08+6\times0.03=0.62

视频A的预测点赞概率更高，但B在收藏和关注上更强，因此在这组假设权重下得分更高。这个例子解释了为什么单个指标更高，不足以决定综合排序。这里的加权和是解释工具，不是对原网页乘法图的替换。

再用一个乘法教学例子：令 (f_i=1+w_i p_i)。则A的得分为 (1.20\times1.12\times1.06\approx1.4246)，B为 (1.12\times1.32\times1.18\approx1.7445)。它展示了先变换、再融合的过程，并且在某个概率为零时，该因子仍可取基准值1。

两个例子中的权重和函数均为演算设定。它们的用途是帮助理解多目标关系：不同融合形式可能产生不同排序，因此研究公开机制时，应把公式结构与未公开参数分别对待。

3.4 推荐系统会预估哪些行为

公开正文与配图涉及的行为大致可以分为四组。第一组是基础观看，包括观看时长、是否看完、是否较快划走等；第二组是显性交互，包括点赞、评论、收藏、分享、关注、点击作者头像以及对内容表达不喜欢；第三组是长期消费，包括后续再次打开、主动搜索、持续关注和回访；第四组涉及内容供给和创作者体验，例如投稿及互动反馈。

评论区停留时长也被列为预估行为之一。这意味着观看不只发生在视频画面上，用户围绕内容阅读讨论的行为也可能提供信息。不同信号共同描绘用户体验，不能只以视频播放结束与否概括全部消费过程。

行为信号的含义需要结合语境。点赞可能是认可，也可能是礼貌；收藏可能是反复使用，也可能是暂时没时间看；关注可能代表对一个人的持续兴趣，也可能是等待某个后续结果。组合目标和长期观察正是为了进一步分辨这些差异。

因此，多目标系统关注的不只是动作数量，还包括动作发生在什么用户、什么内容、什么场景中，以及后续是否延续成更持久的关系。对创作者而言，理解这套体系，比把所有互动统一叫作“热度”更有解释力。

3.5 反馈为什么能快速影响推荐

用户行为发生后，会成为新的学习信号。推荐系统持续接收这些信号，更新对用户与内容关系的判断。公开文章描述抖音已经实现分钟级的实时反馈更新，使行为与模型学习之间的间隔缩短。

这并不意味着某次点赞会被机械地兑换成下一分钟固定数量的曝光。实时更新改变的是模型对相关行为和价值的估计，最终结果仍取决于候选竞争、用户差异和其他目标。

还需要区分模型参数与价值权重。模型参数用于学习复杂的预测关系，价值权重表达不同目标的相对重要性。两者都可能调整，但不能把“模型实时接收反馈”自动解释成“所有平台价值权重每分钟重设一次”。

从内容分析角度看，传播是动态过程。新一批受众带来的反馈可能与早期受众不同，模型会在反馈积累中修正判断。这能解释某些作品开始缓慢、后来找到受众，也能解释某些作品初期互动较好、扩大受众后表现下降。具体变化仍需要结合实际数据，而不是只依据发布时间推断。

四、优质内容为什么可能获得更多分发

4.1 优质内容子链路与独立分发通道

平台公开资料明确提到，在原有推荐链路中增加了面向优质内容的子链路。用于发现优质内容的信号包括收藏后的复访、作者对用户的长期陪伴，以及社区的优质交流氛围。抖音精选App和精选频道也承担了优质内容承载与消费的作用。

2026年的平台举措继续提出构建优质内容池、优化推荐机制、扩大优质创作者的收益，并通过青年创作者、创作阶梯、AI创作浪潮和媒体精选等计划支持不同阶段的内容生产。2026年8月的原网页再次提到优质内容独立分发通道，并将其与懂行用户识别、长尾兴趣模型联系起来。

独立分发通道的意义，是为某些在即时指标中不一定占优、但具有更高深度或长期价值的内容提供额外被发现的路径。长知识视频、专业讨论和小众文化内容，不必只依赖与轻量娱乐内容完全相同的表面信号进行竞争。

这里的“优质”涉及内容价值及用户体验，而不是单看画质、设备和剪辑成本。清晰表达、原创信息、具体经验、专业认可和持续使用价值，都可能帮助一条作品形成更丰富的正向反馈。公开页面提供了这些机制和案例，但并未公布一张统一的优质入池打分表。

4.2 懂行用户怎样帮助识别内容质量

对于专业内容，所有反馈并不具有完全相同的解释力。看热闹的人可以判断是否有趣，长期接触某个领域的人则更有条件判断信息是否准确、细节是否扎实、方法是否有用。公开资料介绍了“懂行用户”机制：利用这类用户在相关领域的评论、收藏等深度互动，帮助算法发现优质内容。

2026年发布的案例文章，用知识科普创作者说明这种机制。2026年5月的评论治理文章进一步指出，在抖音精选的分发逻辑中，专业领域用户的深度好评论可以作为质量认证信号，触发额外推荐。

这提供了一种理解专业内容传播的方式。比如一条家具修复视频，如果评论区出现同行对工艺细节的讨论、使用者对实际效果的反馈、初学者提出的具体问题，它承载的信息显然比一排无关表情丰富。对内容质量的识别，能够利用这些不同层次的反馈。

“懂行”在这里是与领域有关的判断能力，不应直接等同于粉丝量、职业称谓或账号认证标志。公开页面没有提供完整的识别条件。对创作而言，可操作的方向是提供经得起专业讨论的内容，并让真实使用者和相关领域用户有理由展开交流。

4.3 收藏与复访如何识别长期价值

收藏是一种比即时停留更明确的保留动作。一个用户收藏某条视频，往往意味着希望以后再次访问，或者认为其中的信息值得保存。平台将收藏入口放到更显眼的位置，并调整相关推荐逻辑，使这类需求更容易形成可学习的信号。

进一步看，收藏本身仍包含多种情况。用户可能只是正在忙，晚些时候补看；也可能把教程保存下来，在未来几天或更长时间内反复使用。因此，多目标体系会关注收藏与后续复访的组合，而不只观察一次收藏动作。

这类组合尤其适合识别操作指南、健身动作、烹饪步骤、学习资料、工具说明和需要持续参考的知识内容。反复访问说明作品进入了用户的实际活动，而不仅是在第一次浏览时获得注意。

从内容设计上，可以把“方便回来用”作为一个独立目标：步骤有顺序，关键参数容易找到，必要条件交代清楚，结果和常见错误有对应说明。这样即使用户忘记完整叙述，也能在再次打开时迅速定位所需信息。

这个推导不是要求所有视频都做成教程。故事、音乐和情感表达也可能被重复消费，只是它们的复访原因不同。核心问题是作品能否在第一次观看之后继续创造价值。

4.4 关注与追更怎样连接作品和作者

点赞主要围绕当前作品，关注则把关系延伸到作者。用户希望以后继续看到某个人的创作，意味着推荐系统可以尝试理解一种跨作品的持续需求。

关注之后是否追更，有助于区分短暂好奇与稳定关系。某人关注一个做历史讲解的作者，随后持续观看不同主题的视频，说明吸引力可能不仅来自单个选题，还来自作者的讲述方式、知识结构或可靠程度。

公开的多目标体系把关注与追更作为长期组合目标，并讨论作者长期陪伴所形成的价值。创作者的稳定表达、持续供给与用户的反复访问，可以共同构成一种长期关系。

系列内容的设计可以围绕同一受众的连续问题展开，而不是把一段本可以完整讲清的内容强行拆开。每一集提供独立价值，系列整体又有明确的递进关系，用户才有真实的追更理由。例如，相机入门可以从曝光理解、镜头选择、实际拍摄延伸到后期处理，而不是每集只在结尾承诺下一集才揭晓答案。

对于用户来说，持续关注的是一个可靠的信息来源或熟悉的表达者；对于推荐系统来说，这些跨时间、跨作品的行为有助于识别更稳定的偏好。

4.5 握手模型：留言得到回复的意义

握手模型把用户留言并得到作者回复，视为一次具有积极价值的互动。它关注的是双方形成交流，而不只是两个孤立动作各自发生。

用户提出问题，作者补充细节；用户分享使用经验，作者回应或解释；读者指出疑点，作者修正信息，这些互动都可能让内容的价值继续延伸。作者获得反馈与创作动力，用户感到自己的问题被接住，双方的连接因此增强。

公开文章还指出，不同作者面对同一条留言的感受可能不同，因此模型需要在更多目标上理解作者与用户双方的体验。这说明作者价值也是推荐生态中的一部分，平台并非只关心观众是否继续观看。

在实际创作中，回复最有价值的方式通常是推动讨论：回答具体问题、补充遗漏条件、解释做法、感谢有效纠正，或把有代表性的疑问变成后续作品。复制同一句无内容的回复虽然产生了动作，却未必形成同样的交流价值。

握手模型公开了互动组合的方向，没有公开回复长度、回复速度与流量之间的固定兑换关系。理解这一机制的重点，是作者与观众是否形成有意义的往来。

4.6 多目标怎样支持中长视频

在短视频为主的早期阶段，是否看完是一个直观信号。但当内容长度差异扩大，同一完播率就不再能公平表达消费价值。看完一个很短的视频与认真观看一段长讲解，时间投入和获得的信息量都不同。

多目标推荐因此同时考虑时长、分享、关注、评论、收藏等反馈。较长的视频即使完播不占优势，也可能在其他目标上表现出较高价值，从而找到更合适的用户。

公开文章使用“米三汉”450分钟解读《红楼梦》的案例说明这一点：该作品在分享与关注方面表现突出，评论、观看时长和收藏等指标也提供了支持。另一篇案例文章介绍“风雪夜灯”的超长战国历史视频，体现系统化长内容与持续用户需求之间的联系。

长视频的优势是能够容纳复杂解释、完整论证和连续叙事。相应的内容组织也应服务这种优势：开头交代问题与结构，章节之间有清晰递进，例子帮助理解，重复部分适度压缩。仅仅把时长拉长，并不会自动产生深度。

短内容与长内容的比较，更适合在相似题材、用户需求和消费场景中进行，而不是只比较一个完播率数字。

4.7 原创性目标与内容供给的循环

原创性也是公开多目标体系中的一个方向。平台鼓励具有独特信息与表达的作品，并对搬运、抄袭等内容限制传播或采取相应处置。其作用不仅是评价当前一条视频，也关系到作者是否愿意继续投入创作。

目标设计会反过来塑造供给。如果持续表达的作者能够获得关注和追更，更多创作者会重视稳定的人格化表达；如果可保存、可复用的内容能被识别，作者就更有动力制作教程和知识内容。不同价值受到怎样的评价，会影响平台上什么样的作品持续出现。

收藏按钮的调整展示了产品与算法的循环：入口更明显，用户更容易准确表达保存意愿；行为信号更清晰，模型更容易学习；有价值的内容因此可能匹配到更多需要它的人，再推动同类优质供给。

所以，产品设计、反馈数据、模型目标和创作者行为是互相影响的。优质内容生态并不是单靠某个排序公式建立，而是在需求表达与创作回报之间形成长期循环。

五、推荐系统怎样从行为中学习

5.1 协同过滤：从共同选择中寻找关系

协同过滤利用许多用户留下的行为，寻找用户之间或内容之间的关联。假设甲看过并喜欢摄影入门、镜头测评和夜景教程，乙喜欢其中前两类，又喜欢胶片冲洗，那么胶片冲洗就可能成为向甲推荐的候选。系统利用的是共同选择所透露的相关性。

基于用户的协同过滤先寻找行为相似的人，再参考这些人的选择；基于物品的协同过滤则寻找经常被相同用户消费的内容，再围绕用户已经喜欢的内容扩展。两者都可以在没有人工逐条理解内容的情况下，形成有用的推荐。

为了便于计算，可以把用户作为行、内容作为列，将浏览、评分或其他交互填入矩阵。这张矩阵通常非常稀疏：大多数人只接触全部内容中的极小部分。空白只表示没有相应观测，不能简单等同于讨厌。用户可能从未见过某条内容，而不是看过之后否定了它。

协同过滤能发现人工分类遗漏的联系，但也面对新用户、新内容和小众内容数据不足的问题。一个刚发布的视频还没有共同观看记录，就需要借助内容特征、其他召回方式以及后续反馈获得匹配机会。这也是实际推荐系统通常组合多种方法的原因。

5.2 矩阵分解与隐向量

矩阵分解尝试把庞大的用户—内容关系压缩成两组较小的表示：一组描述用户，一组描述内容。每个用户和每个内容分别对应一个向量，它们的组合用于估计某种偏好或交互强度。

一个常见的教学表达是：

r^ui=pu⊤qi\hat r_{ui}=\mathbf p_u^\top\mathbf q_i

其中，(\mathbf p_u) 是用户表示，(\mathbf q_i) 是内容表示，(\hat r_{ui}) 是模型给出的估计值。有些模型还会加入用户偏置、内容偏置和其他项。这个式子说明低维表示怎样参与计算，并不意味着该点积就是最终推荐分数。

隐向量中的每个维度不一定对应“美食”“体育”这样的可命名标签。维度通过训练共同承担表达关系的任务，某种偏好可能由多个维度组合表现。因而，用几个固定标签来概括一个用户，通常比模型实际学习到的关系更粗糙。

Embedding是把离散对象或复杂特征映射到向量空间的表示方式。矩阵分解可以学习这种表示，神经网络也可以学习。向量既能服务召回中的相似度搜索，也能成为排序模型的输入；相同的表示思想可以出现在不同环节。

5.3 Wide & Deep、特征交叉与行为预估

推荐并不只依赖单一特征。喜欢旅行的人未必喜欢所有旅行视频；同一个人下班途中和周末做攻略时，可能需要完全不同的内容。用户偏好、内容特点、时间和场景之间的组合关系，因此十分重要。

Wide & Deep是一种兼顾记忆与泛化的建模思路。Wide部分有助于利用已经观察到的特征组合，Deep部分通过向量表示与多层网络学习更复杂的关联，让模型能够面对没有完全重复出现过的组合。

特征交叉就是让模型学习“这些条件一起出现时意味着什么”。例如，喜欢烘焙、近期搜索低糖食谱、周末观看时间较长，这些条件结合起来，比任何一个条件单独出现都更能说明当下需求。组合可以来自人工设计，也可以通过模型结构学习。

训练阶段使用已有行为数据调整参数，让预测结果与观测反馈更一致；推理阶段则把当前用户、候选内容和上下文输入模型，输出各类行为的预测值。输出可能分别对应点赞、收藏、关注等目标，随后再参与价值融合与排序。

由此需要区分三个层次：特征是输入，参数是训练形成的内部数值，行为概率是模型输出。创作者后台看到的历史互动率与系统针对某个用户预测的下一次行为概率，也不是同一个量。

六、多样性、长尾兴趣与长期记忆

6.1 为什么系统需要主动增加多样性

只持续放大用户最近最强烈的偏好，容易让推荐变得重复。一个人临时看了几条装修视频，并不意味着生活中只剩装修；同一题材大量连续出现，也会降低观看体验。多样性因此同时涉及内容题材、作者、表达方式、消费节奏和兴趣覆盖。

公开页面介绍的做法包括：在推荐结果中打散同类内容，限制相似内容的出现频次，在召回等不同阶段增加多兴趣供给，对长尾内容与新内容进行探索，以及利用搜索和获得授权的社交关系补充信号。

探索推荐用于发现“系统还不确定，但用户可能喜欢”的内容。随机探索或对向量表示作适度扰动，可以让候选范围超出当前最强的兴趣区域。探索需要与已有相关性相平衡，否则推荐虽然变化很多，却不能满足用户需求。

多样性也不是平均分配所有类别。喜欢历史、园艺和爵士乐的人，不需要每天接收全部题材的等量内容。更合理的方向是：主兴趣得到满足，次兴趣不被长期淹没，潜在兴趣有发现机会，重复内容受到控制。

从创作角度看，多样性机制为小众内容提供了进入合适人群的路径。它支持的是更丰富的匹配机会，不能据此推出“越冷门越容易获得固定流量奖励”。

6.2 Trinity：用聚类和直方图记录兴趣

Trinity把多元兴趣、长尾兴趣和长期兴趣放在同一个框架中处理。它希望解决三个相互关联的问题：偏好种类记不全，小众爱好抓不准，稳定但低频的兴趣记不久。

第一个模块是实时兴趣聚类。系统依据内容表示之间的相似性形成内容簇，为这些簇分配标识。簇不必对应人工词典中的单一题材：不同题材的内容可能满足同一种情绪、审美或消费需求，因此在学习到的空间中接近。

第二个模块是兴趣直方图。横轴是内容簇，纵轴是用户在较长时间里对相应内容表现出的行为强度。历史观看、充分观看等反馈经过统计，形成相对稳定的兴趣分布。短期偶然多看几条视频，不会立即抹去长期积累的其他偏好。

作为教学示意，可以把用户长期观看分布写成摄影50、音乐30、园艺20。近期如果摄影内容占据绝大多数推荐，音乐和园艺就可能是值得检查的欠分发兴趣。这里的数值只是说明统计思路，实际系统还要判断信号是否充分、内容是否适合以及其他推荐条件。

聚类提供内容之间的结构，直方图提供用户与这些结构之间的历史关系。两者结合，使兴趣不必被压缩成几个固定的文字标签。

6.3 多兴趣、长尾兴趣和长期兴趣分别怎样优化

多兴趣优化先从长期行为中识别证据充分的兴趣，再检查哪些兴趣获得的分发偏少。对于已经有稳定兴趣表达、但被头部兴趣挤压的内容簇，系统可以增加匹配机会。关键是兴趣可靠且欠分发，而不是只看一个类别最近出现得少。

长尾兴趣优化需要同时判断内容是否小众、用户是否真正喜欢。网页介绍了一种统计方式：记录内容簇在训练样本中出现的时间间隔，平均间隔较长的类别通常更低频；再把这些低频类别与用户兴趣直方图对照，保留具有显著兴趣证据的部分。

这一步把“冷门”与“对某个人有价值”联系起来。偶然划过一次专业摄影视频，与长期反复观看相关内容，所提供的证据强度不同。长期数据有助于区分稳定爱好与偶然接触。

长期兴趣优化则从较久之前的行为中提取代表性内容作为种子，寻找近期相似内容。例如，一个人半年前经常看天文科普，系统可以据此找到新的相关作品，让沉寂一段时间的兴趣重新获得供给。

三类优化互相支持：较长历史揭示多元偏好，多元偏好中包含小众爱好，长期记录又帮助确认小众爱好是否稳定。这也是Trinity强调联合建模的原因。

6.4 STCA怎样读取上万条历史行为

行为序列是按时间排列的交互记录。2025年12月的技术页面将100以下长度作为短序列，将100至10,000量级作为长序列，超过10,000作为超长序列。长既可能表示跨越更久的时间，也可能表示包含更多次行为。

传统全量自注意力需要比较序列中各位置之间的关系，主要注意力计算随序列长度呈平方级增长：(O(L^2))。长度增加10倍，对应的两两关系数量约增加100倍。平方增长与指数增长是不同概念。

STCA，即堆叠式目标—历史交叉注意力，把重点转向当前候选内容与历史行为的关系。候选内容形成查询，历史记录提供键和值，通过匹配提取对当前预测有帮助的信息。对于固定数量的目标查询和固定维度，相关注意力计算随历史长度近似线性增长，即(O(L))。

多层堆叠可以逐步提取复杂关系。与此同时，在同一次推荐请求中，用户历史可以编码一次，再供多个候选内容复用，减少重复计算与数据传输。线性复杂度描述的是这一计算环节，不等于整套服务的所有成本都只取决于历史长度。

网页报告，在一万长度的实验场景中，用户历史相关带宽需求降低最高84%，训练吞吐量提升超过2.2倍。页面还介绍了较短序列为主、穿插长序列的训练安排，并在推理时使用更完整历史。其报告约三分之一计算成本达到完整训练80%的效果，但页面没有给出这里“效果”的完整指标定义。

6.5 三项技术在推荐链路中的分工

技术方向 主要解决的问题 关键方法 对体验的意义
Trinity 多兴趣、小众兴趣和长期兴趣容易被忽略 内容聚类、兴趣直方图、联合优化 丰富供给，减少兴趣失忆
STCA 超长历史难以在可接受成本内使用 目标—历史交叉注意力、历史复用 更充分利用长期行为
RankMixer 排序模型扩容受到碎片化计算和成本约束 特征Token化、Token Mixing、逐Token网络及稀疏专家 提升特征交互与计算效率
大模型推荐探索 传统特征与分阶段处理的表达能力有限 语义理解、序列建模、知识增强及架构探索 更好理解复杂内容与需求

这些名称描述不同层面的问题，并不构成四套只能择一使用的推荐系统。兴趣组织、历史处理、排序计算和语义理解，可以在复杂系统中形成互补。

还要区分两篇网页中看似相反的策略。RankMixer讨论的是训练与推理时参数模块的激活方式，页面称为“稠密训练—稀疏推理”；STCA讨论的是训练与推理采用的历史序列安排，页面称为“稀疏训练，密集推理”。它们优化的对象不同，不存在直接矛盾。

七、大模型与推荐系统的新架构

7.1 从行为关联走向内容与需求理解

传统推荐能够通过行为关联预测偏好，不必先像人一样读懂每一条内容。大模型则提供了另一类能力：把文本、语义关系和较长上下文纳入分析，帮助系统理解更复杂的内容表达与用户需求。

2025年12月的技术文章讨论了两种路径：用大模型增强既有推荐系统，或者探索以大模型为中心重新组织推荐。增强路径可以用于内容理解、用户行为解释和特征表达；更深入的架构探索则尝试减少分阶段处理中的信息损失。公开讨论包含已经开展的实践与下一代方向，不宜把所有研究设想写成全量上线状态。

Transformer的注意力机制让模型按当前任务选择相关信息。其标准教学形式为：

Attention⁡(Q,K,V)=softmax⁡(QK⊤dk)V\operatorname{Attention}(Q,K,V)=\operatorname{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V

Q表示查询，K表示可匹配的键，V表示被聚合的信息，(d_k) 是键向量维度。匹配值经过归一化后决定各部分信息的相对贡献。这个式子解释注意力计算，不是热门分数，也不对应某个固定互动权重。

知识图谱通过实体和关系组织知识，例如作品—作者、景点—城市、食材—菜品等。图谱或其向量表示可以补充内容关联；向量运算表达的是学习到的近似关系，不能把任意坐标相加当作事实推理的充分证明。

7.2 RankMixer怎样把零散特征变成高效计算

推荐系统要处理用户、内容、历史行为、发布时间和场景等大量特征。这些输入维度不同、结构不同。如果拆成许多小模块分别计算，即使使用GPU，也可能难以充分发挥并行计算能力。

RankMixer首先将特征分组，并转换成固定维度的Token表示。这里的Token是模型处理的特征单元，不必对应自然语言中的一个词。统一表示后，计算更容易组织为GPU擅长的大规模矩阵操作。

Token Mixing让不同特征单元交换信息，学习组合关系。例如，用户偏好、最近的行为和当前时间共同影响某个视频的适配程度。逐Token前馈网络，即Per-token FFN，则为不同特征单元配置相应的参数处理能力。

网页进一步介绍了稀疏专家混合方案：推理时为当前输入选择部分专家模块，减少不必要的激活与计算。专家是学习到的计算模块，网页中的“手账专家”“旅行专家”属于便于理解的比喻，不应理解为每个主题都配有一个人工命名的固定子模型。

其核心价值是让模型表达能力、参数规模与硬件执行方式更好匹配。更多参数要产生实际收益，还需要有效的数据、训练方法和服务架构支持，参数数量本身并不等于推荐质量。

7.3 技术页面公布了哪些性能数字

以下数值来自2025年12月16日发布的两篇技术网页，适用于页面所述模型与实验背景。

项目 网页披露的变化 读数含义
RankMixer算力利用率MFU 4.5%提升到45%以上 计算资源的有效利用程度提升
RankMixer推理核心活跃度 30%提升到80% 页面所述核心活跃指标提升
排序模型参数规模 1,600万提升到11亿，约70倍 模型容量显著扩大
上述参数扩容的推理成本 页面称未增加 对应所述架构与比较条件
STCA一万长度行为序列 历史相关带宽需求最高降低84% 减少历史处理中的数据传输需求
STCA训练吞吐量 提升超过2.2倍 单位时间可完成的训练处理增加

这些指标回答的是模型如何更高效地处理数据。它们与单个视频的播放量、创作者收入、用户满意度属于不同指标体系。例如，模型参数扩大约70倍，不表示作品流量扩大约70倍；带宽下降84%，也不意味着所有服务器费用同步下降84%。

从应用意义看，更高的计算效率为更长历史、更复杂特征和更大的模型腾出空间。最终体验仍要由匹配质量、多样性、长期使用反馈和内容环境共同评价。

八、内容从发布到高热的审核与质量判断

8.1 审核之前，先定义什么问题需要处理

内容治理首先需要把原则转化为可执行标准。抖音设置标准管理团队，负责标准的纳入、退出、适用范围与更新。2025年1月的页面介绍了十余类、数百种风险条款，并为条款配套典型案例和执行手册。

标准既按问题分类，也按载体和场景区分。视频、图片、文字的判断方式不同，昵称、评论、话题等产品位置的使用情境也不同。相同的一段文字放在不同场景中，其指向和影响可能发生变化。

标准更新包括常规评估和突发问题的快速响应。变更通过线上流程与审批留痕，便于追踪版本；质量管理组检查执行情况，培训组帮助执行团队统一理解并纠正偏差。对用户和作者的规则说明、违规通知，则把执行结果连接到具体使用体验。

这套体系提供了机器识别与人工判断共同遵循的基础。模型并不是自行决定全部规则，而是在既定标准、样本和持续反馈中学习如何识别问题。内容审核因此同时包含规则工作、技术工作和执行质量管理。

8.2 初审、复审、三审和高热质量研判

初审发生在上传后的识别阶段，重点检查底线风险。命中高危特征的内容可能直接被拦截；模型判断较大概率存在底线问题的内容进入人工研判；风险判断较低的内容可以获得基础流量，继续进入分发环节。

复审发生在内容达到一定播放量级后，检查是否存在不适合过多传播的问题，例如画面容易引起不适。未命中相关标准的内容继续自然推荐，命中问题标准的内容停止进一步分发。

三审面向播放量继续增长的内容，判断逻辑类似，但标准更严格。达到更高热度后，运营人员还会综合研判内容质量，判断是否适合继续传播。整个过程体现了从底线判断，到扩大传播适宜性，再到高热内容质量的逐层考察。

环节 主要关注 与分发的关系
初审 底线风险、高危特征 影响内容能否开始进入推荐
复审 扩大传播可能引发的不适等问题 影响是否继续自然分发
三审 更高传播量下的严格判断 影响后续传播
高热质量研判 原创、优质及传播适宜性 影响高热内容是否继续扩大

原文明确说明播放量级阈值处于波动状态，没有公布统一的500、3,000、1万等固定台阶。审核节点也不等于推荐算法的全部分发层级，不能把这篇文章改写成一张固定流量池晋级表。

8.3 审核还会被哪些信号触发

播放量增长只是触发治理判断的一类信号。用户举报、评论区集中质疑、流量异常激增，也可能触发新的机器识别与人工研判。一个视频可能在多个位置进入审核，实际路径并不总是按三个步骤单向前进。

机器主要承担广泛扫描和快速筛选，人工则处理疑难语境、复杂事实和高热内容的综合判断。人工还通过样本、标准调整与误判分析持续校准模型。两者的关系是覆盖面与判断深度互相补充。

治理体系的迭代也不止是删除一条问题内容。新问题出现后，需要检查标准是否覆盖、识别是否有效、处置策略是否适合、用户反馈是否改善。相关能力升级时，还会检查存量内容，减少旧问题继续存在的情况。

因此，播放量变化可能来自多种环节：用户匹配变化、候选竞争、重复疲劳、质量评估或具体治理处置。单看播放曲线无法确定是哪一种原因。对创作者更有用的证据是作品状态、平台通知、内容实际问题和受众反馈之间能否相互印证。

九、评论质量怎样影响推荐

9.1 评论数量之外，系统还判断评论价值

2026年5月的评论治理页面介绍了正向评论目标和恶评目标。系统不仅预测一条内容是否会引发评论，也尝试预测它会引发怎样的评论，并将这些判断纳入多目标体系。

正向评论可以是鼓励、经验分享、观点表达、客观信息、求助提问、合适的幽默或兴趣交流。共同特征是为参与者创造交流价值。正向并不意味着每个人都同意作者，也不要求评论只能表扬。

恶评目标关注人身攻击、引战对立、低俗冒犯、垃圾广告和恶意刷屏等反馈。对恶评概率与内容氛围的判断，可以减少相应曝光，限制依赖攻击性互动获得传播的内容。

同样出现评论 更有价值的情形 需要区分的情形
提出不同意见 给出理由、事实和具体建议 对人进行羞辱或煽动围攻
分享经历 补充真实体验与使用条件 无关广告或重复灌水
幽默与玩梗 与语境相符，帮助交流 借梗隐晦攻击当事人
专业讨论 指出细节、方法与证据 用身份压人、无依据贬损

这意味着评论多和评论好需要分开观察。引战可能制造很高的短期互动量，但这类互动进入质量与恶评目标后，不会天然转化为持续分发优势。

9.2 大模型怎样理解评论的言外之意

同一句话在不同视频下可能表达相反态度；文字与图片分别普通，组合起来也可能具有攻击性。单纯匹配关键词，难以识别反话、指代、表情组合和不断变化的网络表达。

抖音的评论治理页面介绍，2025年开始接入大模型能力，利用更强的上下文与语义分析判断评论含义。模型需要结合原视频、评论内容及相关语境，区分合理建议、善意调侃与恶意攻击。

训练方法包括人类反馈强化学习RLHF和直接偏好优化DPO。前者利用人工评价形成奖励信号，推动模型倾向于更好的解读；后者直接利用成对的较优和较差解读来优化参数。例如，“建议讲慢一点”可以是具体改进意见，不应因为包含不满就自动判为攻击。

在线处理则采用大小模型协同：较明确的常见问题交给轻量模型，依赖深层语境的表达交给能力更强的模型。页面还介绍了让Agent分析案例、由专家评审并纠偏的探索方向。

这种改进既服务评论本身的处置，也服务内容氛围与推荐目标。创作者可以从中得到一个直接启示：围绕问题、经验和证据设计讨论，比只追求一句话激起更多情绪更符合长期内容价值。

十、谣言识别、AI内容与网络暴力治理

10.1 AI求真先判断哪些内容值得核查

AI求真面向具有公共价值、现实误导风险且能够核实的资讯。个人观点、明显玩笑、夸张修辞和剧情表达，与需要查证的事实陈述属于不同任务。把所有内容一律送去真假裁决，既浪费计算，也容易误解正常表达。

公开的处理链路因此设置了前置筛选。谣言领域大模型依据题材、体裁和历史经验，寻找更可能存在问题的内容；风险过滤模块进一步判断公共性风险，并过滤容易被误伤的低风险内容。

风险过滤结合了从历史误判案例训练的小模型，以及判断公共性风险的大语言模型。两个方向配合，让后续研判更集中于需要查证的候选内容。

经过筛选后，求真系统再提取具体主张，例如某件事是否发生、时间地点是否正确、视频中的对象是否与标题一致。主张越明确，越容易组织检索和证据比对。

这套分工也说明，召回候选与最终判断是两件事。被筛出来接受核查，只代表存在进一步检查的必要，不等于已经被认定为谣言。

10.2 AI求真怎样利用检索与资料库

AI求真的关键能力之一，是在判断前寻找外部证据。系统结合内部谣言资料库与网络搜索，查询已核实案例、官方通告和相关新闻，并根据问题进展展开多轮检索。

这一过程属于检索增强生成RAG的应用：模型先获得与问题相关的材料，再基于材料组织判断。它不同于只凭模型训练记忆直接回答。资料是否新、是否相关、是否支持当前主张，都会影响判断质量。

网页介绍了信源分级机制。政务发布平台、中央新闻单位等在其体系中具有较高优先级，论坛帖文、自媒体等信息需要结合其他证据核验。不同来源出现矛盾时，需要比较发布时间、事件对象和原始依据，而不是只数有多少网页重复同一句话。

内部资料库还能帮助发现旧谣言变体：更换地点、日期、产品名称或叙述方式，可能保留相同的核心误导结构。相似性可以触发疑似标记与进一步核查，但一个既有案例并不能自动证明所有相近的新主张都为假。

对于知识库建设，这一案例展示了元数据的重要性：记录来源、日期、事件对象和适用范围，可以帮助检索结果被正确解释。只保存脱离上下文的一段结论，容易把旧事实套用到新问题。

10.3 核查结果怎样改变传播

事实清楚、证据明确的问题内容可以进入自动化处置；疑似内容可以降低推荐权重、挂载风险提示；难以确定的内容需要进一步处理。涉及公共安全、自然灾害、金融市场等高风险领域时，页面介绍了人工协同复核安排。

谣言治理还包括澄清信息的传播。平台可以向看过不实内容的人匹配相关辟谣材料，帮助纠正已经形成的印象，而不只停止原内容继续传播。

2026年4月的案例网页以广西救护车争议为例，介绍平台在核实后结合相关搜索和定向推荐传播澄清信息。这个案例的重点是：事实核查、搜索呈现、内容推荐和后续纠偏共同构成传播治理。

2025年度报告网页公布，谣言曝光量下降90%，用户举报量下降74%，辟谣提醒日均覆盖约3亿次。这些是报告所述阶段的治理数据；曝光、举报和提醒次数衡量的是不同环节，不宜合并成同一个“准确率”。

10.4 AI内容识别使用哪些线索

抖音对AI创作的基本方向是支持创意表达，同时提高生成内容的可识别性。AI标识帮助用户理解内容的制作方式，识别误导性则关注它是否被包装成真实事件、真实身份或真实记录。

识别线索包括创作者主动标注、显式水印、隐式水印，以及模型对文本、图片、音频和视频的分析。不同来源的信号可以互相补充，不能只依赖某一种生成工具留下的固定特征。

多模态模型结合视频画面、标题等信息作综合判断；对口型检测关注人物口型与声音的对应关系；音频模型寻找合成声音特征；误导倾向模型则判断内容是否容易让用户产生事实混淆。

“是否AI生成”和“是否误导公众”是两个不同问题。一部明确标注的幻想短片可以具有创作价值，一条以真实新闻口吻发布的合成灾害画面则涉及事实误导。两类判断需要在内容语境中结合使用。

2026年6月的页面把SLNet作为高逼真图像和视频检测的一项技术，进一步介绍其频域与局部伪影分析方法。

10.5 SLNet怎样寻找生成痕迹

图像的空间域表示描述像素在画面上的分布，频域表示则描述明暗、纹理等变化的频率结构。快速傅里叶变换FFT可以把图像转换到频域，帮助分析肉眼不容易直接看出的统计规律。

平滑区域主要对应较低频率，边缘、纹理和细小变化包含较高频率。生成过程、上采样等环节可能形成特定频谱模式；真实拍摄也会受到镜头、传感器、压缩和后期处理影响。因此，检测依赖学习与组合判断，不是看到某个高频峰值就能直接断言为AI。

SLNet的另一条路径是局部伪影，例如异常重复的纹理、不自然的边缘过渡、局部结构或光照关系不协调。随着生成质量提高，明显的手指错误等线索变少，检测更需要关注细微的统计异常。

为降低对题材和画风的依赖，团队构造语义接近的真实与生成样本，使模型无法只靠“画的是什么”区分真假。内容尽量相同、制作痕迹不同的困难样本，有助于模型学习更有泛化能力的线索。

频域、伪影、语义与其他检测信号构成互补。它们反映检测系统的技术方向，并不构成一个人人都能用肉眼执行、对所有新模型都有效的真假鉴定公式。

10.6 AI反网暴如何从零散互动发现风险

网络暴力可能以连续、低频、隐晦的互动累积形成。只检查一句话是否包含辱骂，容易遗漏围绕同一个人的持续攻击。2026年6月的页面介绍了“识别模型＋研判模型”的双层体系。

第一层利用轻量模型广泛寻找线索，包括评论、提及、陌生人私信突然增加，当事人自述遭受网暴，大量删评或频繁举报等变化。模型给出风险评分，把潜在对象送入后续研判。Agent分析案例与误判，帮助更新识别特征和模型。

第二层使用多模态大模型，结合文本、图片、音频、视频与统计特征恢复语境。OCR提取图片文字，语音识别提取音频信息，视频总结帮助梳理事件。较长时间范围内的互动和行为变化，使零散风险能够被联系起来。

研判不仅输出是否存在风险，还可以形成事件小结、风险来源和关键证据，供人工复核及后续保护使用。规则、典型案例、人工标注与模型训练共同支撑这一流程。

页面还强调对不同人群与场景作差异化判断，并衔接防护工具、人工联系和援助。技术的作用从识别单条攻击内容，扩展到发现需要帮助的用户。

10.7 网暴治理数据应怎样读取

2026年6月12日发布的AI反网暴文章披露，升级后日均筛选的潜在受害者范围扩大91.5%，获得人工外呼帮助的用户数量增长147%。截至文章发布时，其所述“2026年以来”预警识别5,311例涉嫌网暴风险事件，拦截4,294万条攻击类评论，向324人提供免费法律援助。

2025年度报告网页则公布了另一统计阶段的数据：全年拦截不当评论约1.2亿条，向约132万个账号定向推送一键防网暴提醒；2025年1月至11月为635名用户提供免费法律咨询。

这些数字分别描述筛选范围、服务触达、风险事件、评论处置和援助服务。风险事件不等于最终确认的违法案件，评论条数不等于人数，法律咨询与法律援助也不是同一服务口径，不宜直接相加比较。

从平台能力角度，这些数据呈现的重点是前置发现与后续帮助的连接。知识库保存时应保留发表日期、统计期间和计量单位，使后续检索能回答“哪一年、截至什么时候、统计的是什么”。

十一、用户怎样调整自己看到的内容

11.1 使用管理助手与内容偏好管理

使用管理助手把观看时长分析与内容偏好管理放在一起。2025年5月的介绍给出的入口是首页侧边栏或“我”的主页侧边栏，再进入更多功能。2026年面向长辈的网页指南继续介绍了这一工具。

内容偏好圆环图按照电影、美食、旅行等类别，呈现近期观看占比。它帮助用户观察自己最近在看什么；图中的分类用于产品展示，不代表底层推荐只依靠这些固定文字标签。

“探索更多”会适当减少头部兴趣的重复，增加用户较少接触但可能感兴趣的内容。它的目标是扩大兴趣覆盖，同时维持相关性，而不是把全部历史偏好清空。

“调节内容偏好”提供减少、默认、增加三个档位，用户可以对类别表达明确偏好。屏蔽设置则用于添加不想看到的内容。选择之后，系统会结合这些反馈调整推荐，后续实际浏览行为仍会继续参与学习。

用户想解决的问题 对应操作
想知道最近看了哪些类型 查看近期观看占比
推荐过于单一 使用探索更多，并主动接触新主题
某个类别过多或过少 调整类别偏好档位
某类内容明确不想看 使用屏蔽设置或不感兴趣
想管理使用时间 查看时长分析并使用相应提醒功能

11.2 不感兴趣、搜索和日常行为如何配合

刷到不想继续看的内容，可以及时划过；希望更明确表达排斥时，可以长按视频或从分享菜单选择不感兴趣。页面说明，这类反馈会减少相似内容的推荐。面向长辈的指南还介绍了屏蔽特定作者以及设置不想看的内容。

想增加某种内容时，可以主动搜索、观看真正需要的作品，并进行真实的点赞、收藏、关注和分享。搜索是较明确的主动需求表达，搜推联动能够把这种需求补充到后续推荐中。

几类动作表达的含义有所不同：观看说明投入注意，点赞表达即时认可，收藏表示希望保存，关注表达持续接收作者内容的意愿。组合起来，系统更容易区分短暂好奇与长期需要。

如果用户嘴上不喜欢某类内容，却持续长时间观看并参与争论，行为中就会出现相互冲突的信号。明确设置偏好，同时改变实际消费方式，有助于更清楚地表达需求。

对创作者而言，这也说明触达不是单向投放。用户可以主动塑造自己的信息流；内容需要与对方真实需要建立联系，才能形成更稳定的观看和互动。

11.3 长辈版指南提供了哪些具体建议

2026年2月的原网页以长图解释推荐反馈，建议对真正喜欢的内容认真观看，再按需求点赞、评论、收藏、转发或关注作者。对不喜欢的内容则及时划过，并使用明确的负反馈工具。

指南中的“至少八成”出现在向用户说明充分观看的语境里，用来帮助表达喜好；它不是创作者必须达到的官方完播率门槛。观看某条视频的八成，与一条作品在全部观众中的完播率，也属于不同统计对象。

评论建议围绕具体内容表达想法，而不只是重复泛泛赞美。收藏可以按用途整理，方便以后查找；关注几个确实感兴趣的作者，可以建立稳定的信息来源；主动搜索则能更直接地告诉系统当前需求。

这些建议形成一个简单的使用循环：主动寻找需要的内容，认真消费，留下准确反馈，保存以后会用到的作品，再通过偏好管理纠正过多或不需要的推荐。

指南还介绍了使用管理助手、AI求真和官方验证助手，把内容选择、事实辨别与服务核验结合起来。它是一份面向使用者的操作科普，不是一份账号起号或流量晋级规则。

11.4 AI求真与官方验证助手

长辈版指南介绍了两类帮助辨别信息的功能。AI求真通过相关视频下方的提示卡、搜索等入口，帮助用户查看对争议信息的核查与解释。具体问题需要围绕原始事件、时间和对象判断，不能只看一张脱离背景的截图。

官方验证助手用于核验自称平台工作人员的联系信息。指南给出的路径是搜索抖音官方客服，进入咨询，再找到验证助手；其支持对可疑电话号码、短信或链接等进行核验。

指南还提到让来电方提供动态验证口令，再在官方渠道核验。这里的口令由自称工作人员的一方提供，与用户把自己的短信登录验证码告诉对方是不同流程。

2025年度报告网页称，官方验证助手已帮助约12万名用户。这个数字描述工具的服务触达情况。使用时应以App内相应功能实际呈现为准，网页截图反映的是发布时的界面。

11.5 未成年人、长辈与使用时间管理

平台公开举措把时间管理、适龄内容和家庭参与放在同一个框架中。时间工具包括休息提醒、睡眠提醒、定时关闭和时间锁等；面向家庭的功能则围绕家长管理、未成年人模式及亲子协作展开。

2026年举措将未成年人工作概括为健康守护、亲子护航、优质陪伴。内容供给不仅要排除不适宜内容，也需要提供不同年龄可以理解和使用的知识、兴趣与陪伴材料。

2026年4月的案例网页介绍，未成年人模式内容围绕兴趣素养、知识教育、探趣百科和亲子陪伴四个主题组织，当时内容池约680万条，日均增加约6,000条知识内容。

AI笔记用于提炼科普与课程视频的关键点，根据年龄和阅读习惯辅助呈现，并可把长视频分章，方便定位。它把推荐后的消费体验继续向学习与理解延伸。

针对长辈，网页强调清晰易懂的功能说明、偏好调整、风险信息辨别和更方便的服务入口。不同年龄的需求各不相同，产品设计因此同时考虑内容、时间与操作难度。

十二、关于“窃听”和“平台强推”的公开解释

12.1 为什么刚聊过的话题会出现在推荐或广告里

针对“刚聊过某商品就看到广告”的疑问，原网页主要给出两条解释：已有网络行为参与广告匹配，以及人更容易记住巧合命中的情形。

程序化广告可以由广告主依据用户在其服务中的浏览、搜索、收藏等行为，向相关受众展示广告。用户在购物平台查过猫粮，之后在另一App见到该购物平台投放的猫粮广告，可以由这一机制解释，并不需要假设当前App听到了线下谈话。

此外，人每天谈论和接触很多事，大多数话题没有随后出现在信息流中，通常不会留下强烈记忆；偶然命中的一次则格外显眼。只统计命中、忽略未命中，会放大推荐与谈话之间的相关感。

网页同时从语音处理成本、设备权限与系统提示等角度论证平台持续监听的不合理性。对这部分内容，更准确的用途是理解平台给出的解释与假设，而不是把它扩展为对所有应用、全部设备状态的技术审计结论。

自然内容推荐和商业广告也需要分开理解。前者主要匹配内容消费，后者还涉及广告主目标与广告投放机制；用户看到相似商品，并不能仅凭表面现象确定信号来自哪条链路。

12.2 网页中的语音成本例子怎样计算

2025年1月的网页使用当时列举的语音转写价格作假设计算：每小时0.6至1元，每人每天处理16小时，一年按365天计算。

Cday=16×(0.6∼1)=9.6∼16 元/人C_{day}=16\times(0.6\sim1)=9.6\sim16\ \text{元/人}
Cyear=365×Cday=3504∼5840 元/人C_{year}=365\times C_{day}=3504\sim5840\ \text{元/人}

如果按1亿名用户持续处理：

Ctotal=108×Cyear=3504∼5840 亿元/年C_{total}=10^8\times C_{year}=3504\sim5840\ \text{亿元/年}

这是一项用于解释规模成本的假设算例，不是平台真实支出，也不是2026年的服务报价。输入价格、处理时长和人数改变，结果就会同比变化。存储和后续分析等成本还未计入这个简单乘法。

它说明高频、长期、全量处理与利用已有主动行为之间，可能存在很大的成本差异；它本身不能代替对某个具体App行为的检测。

12.3 网红走红与平台作用怎样理解

关于“网红是不是被强推出来”，平台网页强调用户选择是走红的重要原因。内容能让大量用户愿意观看、点赞、分享或关注，推荐模型才有更丰富的匹配反馈；强行持续展示明显不受欢迎的内容，会带来负反馈。

但平台作用并非只有被动读取行为。同一栏目还公开了价值目标、优质内容子链路、运营计划和高热质量评估。更完整的理解是：用户选择、算法匹配、内容供给、价值设计与平台运营共同影响传播。

热点事件当事人、引发广泛共鸣的单条作品或外部媒体报道，都可能带来短期关注增长。能否持续，则取决于后续内容是否继续满足受众需要，以及作者是否具备稳定经营和回应公众关注的能力。

网页还介绍，对虚假营销、低俗擦边、同质低质等问题账号，可以限制流量、涨粉或经营变现。高热度不会自动抵消内容与账号问题。

对创作者更有参考价值的是区分偶发爆发与可持续增长：前者可能围绕一个事件，后者需要稳定的内容方向、受众信任和持续供给。两者的准备方式和观察指标并不相同。

十三、平台公开工作的时间线与年度进展

13.1 从网站建设到交互式算法科普

时间 原网页记录的节点
2025年1月3日 提出建设安全与信任中心及10项措施，涵盖算法、治理、服务和内容生态
2025年3月30日 网站上线，公开算法原理、治理规则与服务机制
2025年4月15日 在北京举办开放日，介绍推荐原理和治理机制，并开展交流
2025年5月 新版使用管理助手公开介绍，增强偏好可视化与自主调节
2025年12月16日 发布大模型推荐、RankMixer和STCA系列技术解释
2026年1月21日 发布2025年度回顾及2026年新一轮10项举措
2026年3月5日 介绍体验算法板块，使用交互动画解释推荐流程
2026年3月30日 网站周年文章报告累计访问超过300万次，文章与公告超过300篇
2026年4月至6月 发布社会价值案例、评论治理、AI求真、反网暴、多兴趣及AIGC检测文章
2026年8月24日 发布新大众文艺报告的论坛与主要结论介绍

网页中的访问量随时间变化：2025年度回顾为上线约九个月超过150万次，2026年3月上旬文章为超过200万次，周年文章为超过300万次。这些不是互相矛盾的同一时点统计。

周年文章提到的300余篇，是整个网站的文章和公告规模，并不等于本次算法栏目入口列出的27篇文章。本资料覆盖的是算法栏目及所列专题入口，另将相关页面中的治理和服务信息一并整理。

13.2 2025年最初公布的10项措施

2025年1月的计划可按以下十个方向理解：

  1. 建设网站与线下展示，公开算法基础运作和运营机制，并提出公开热点榜单计算原理的方向。
  2. 公开社区规范、审核标准与典型治理案例，增加治理投入。
  3. 为热点、网暴及涉企侵权相关当事人完善一站式服务。
  4. 扶持优质内容，完善优质子链路、精选产品、作者激励与服务。
  5. 增强多样性、长尾探索、搜推联动、社交信号和重复过滤。
  6. 加强谣言与虚假人设治理，推动精准辟谣和内容标注。
  7. 改善评论氛围，完善防网暴工具及相关援助。
  8. 优化时间管理，服务未成年人和老年人。
  9. 对违法黑产加强线下协同打击。
  10. 开放意见征求、用户调研、公众交流和算法咨询渠道。

其中，“预计增加优质内容曝光300%”属于当时的年度计划表达，不能写成每条优质作品都获得三倍增量，也不能直接作为已经完成的年度结果。年度回顾应按后来公布的实际指标另行记录。

这份计划的重要信息是平台不仅调整排序，也同时调整产品入口、内容供给、治理、服务和公众沟通。推荐体验来自这些工作的共同作用。

13.3 2026年公开的10项持续举措

2026年的安排延续公开、治理与服务，并增加对新技术和创作生态的具体表述。

方向 主要内容
算法公开 继续解释运作机制，介绍大模型应用与技术创新，扩大科普
治理透明 增加技术与资金投入，公开典型案例、标准与机制
用户服务 优化95152入口、一键代办、批量及涉企侵权处理
优质生态 青年创作者、创作阶梯、AI创作浪潮、媒体精选等计划；完善优质池与收入分成
原创保护 优化账号健康分，治理恶意营销号并协同打击黑灰产
可信社区 治理谣言、仿冒、伪造和误导性AIGC，迭代AI求真及辟谣合作
友善社区 结合大模型治理愤怒诱饵和网暴，完善当事人保护
争议热点 强化研判，鼓励理性讨论并公开治理动作
全年龄服务 完善未成年人模式、亲子护航及长辈使用指引
公众监督 定期报告、用户反馈、公众与媒体开放日

账号健康分在这份页面中属于持续优化的治理机制。网页没有给出一套可供创作者计算自然推荐流量的完整分值公式，因此不宜将它与推荐优先级直接等同。

13.4 2025年度网页回顾：公开、服务与优质内容

以下按照2026年1月21日发布的年度报告原网页长图整理，保留其2025年度回顾语境。

主题 网页披露的进展或数量
网站公开 上线约九个月访问超过150万次
算法交流 举办30余场沟通活动，相关科普视频播放超过1,000万次
治理公开 发布120余份治理公告，并开展规则讨论与意见交流
侵权服务 同侵权内容防护、批量举报及相关处理能力建设
客服 统一95152等入口，改进智能服务和问题办理
官方验证 验证助手帮助约12万名用户
风险协同 配合警方打击166个诈骗团伙，识别研判约12万条人身安全风险内容
生命救助 网页报告帮助挽救1,340余人生命
创作者成长 青年创作者计划帮助100余位作者达到百万粉丝；媒体精选计划覆盖近百个节目
优质内容供给 优质投稿提升118%，播放提升160%
资讯内容 原创资讯播放提升60%

内容项目涉及大国重器、地方体育、文化传承、非遗、出版、国家公园和城市发现等主题。它们说明平台在用户匹配之外，也通过项目组织和作者支持增加特定类型的内容供给。

表中的提升比例沿用网页口径。供给量、播放量、参与作者数和服务人数分别回答不同问题，不能相互替代。

13.5 2025年度网页回顾：治理与使用体验

主题 年度网页列出的数据或动作
谣言治理 曝光量下降90%，举报量下降74%，辟谣提醒日均约3亿次
AI内容 AI标识覆盖提升50%，治理滥用AI相关账号超过1万个
网暴治理 全年拦截约1.2亿条不当评论，向约132万个账号推送一键防网暴提醒，新增谁可以@我的设置
咨询服务 2025年1月至11月为635名用户提供免费法律咨询
涉未成年人治理 处置约240万条违规内容、约8.4万账号次
色情引流 封禁约133万个相关账号，并协助线下抓捕66人
恶意营销与黑产 治理1,000余个团伙、涉及约50万个账号，并处置相关工具
自主选择 推进使用管理助手、探索更多、内容偏好与更长历史学习

年度回顾还讨论热点事件中的仿冒账号、流量炒作、事实核实和当事人保护。例如，围绕韦东奕的相关问题处置3,500个仿冒或蹭热账号；围绕武大图书馆争议邀请专业创作者梳理事实；围绕郑州续面事件向双方发送防网暴提醒，处理地域攻击及谣言等内容。

这些内容补充了推荐算法之外的运行环境：有些内容被减少传播，可能与真实性、账号行为或对当事人的影响相关；有些用户体验改善来自服务工具，而不是排序模型本身。

十四、原网页中的创作与社会价值案例

14.1 日常生活、知识讲解与工程现场

2026年4月的案例页面先展示三种不同的内容价值。

李福贵记录在乡村售卖豆腐、点心和与村民相处的日常，形成围绕乡愁、真实生活与情感共鸣的交流。页面报告，截至2025年底其粉丝超过1,000万，视频总播放约22亿次，并用这一案例解释留言与作者回复形成的握手互动。

混子哥边画边讲通过白板手绘解释古代官制，《丞相&宰相》视频播放超过1.2亿次，点赞约324万。页面借此说明专业用户的评论、收藏等深度互动，可以帮助识别知识内容的价值。

小Lin说进入海底高铁隧道施工现场，把大型工程转化为公众可以理解的内容。相关铁路建设话题登上热榜第一，页面称触达超过6,800万网友。这个案例同时涉及真实现场、创作者表达和大国重器计划的资源支持。

三个案例对应三条不同路径：真实生活形成共鸣，清楚讲解降低理解门槛，现场访问提供稀缺信息。其共同点是内容本身提供了用户愿意消费和讨论的理由，不能仅用一个互动率解释全部结果。

14.2 深度长视频与非遗表演

风雪夜灯以约16.8万字文稿梳理254年的战国历史，相关超长视频播放超过1亿，单条作品带来约100万粉丝增长。页面用这一案例说明，评论、收藏、分享等多目标可以帮助深度长内容找到受众。

同一网页报告，2025年超过30分钟的中长视频数量同比增长207%，累计时长达到3.2亿分钟。这里的累计时长用于描述页面所述内容规模，不能自动换算为用户实际观看时长。

蔡冬梅长期学习提线木偶戏，2021年开始在抖音直播，平均每年上百场，积累近180万粉丝，并获得更多演出展示机会。页面把收藏、复访和追更等长期目标与非遗寻找新观众联系起来。

对深度内容，结构与解释帮助用户持续理解；对表演类内容，技艺特色与持续演出帮助建立稳定关系。不同类型的长期价值，可以通过不同的行为组合被观察到。

这些成功案例适合用来理解机制和内容特点。它们展示的是已经发生的结果，不能用作所有新作者的平均增长预期。

14.3 从内容兴趣连接到消费、学习与澄清

2025年苏超相关内容播放超过370亿次、分享超过1.1亿次。平台围绕赛事设置本地生活活动和商家团购链接，将观看、搜索、消费与核销连接起来。网页报告赛事期间江苏团购订单量同比增长24%，销售额增长68%。

搜推联动在这里连接主动需求与推荐发现：有人先看赛事内容产生兴趣，再搜索城市、美食或出行信息；系统也可以利用搜索表达的需求补充后续内容与服务推荐。同期消费增长涉及赛事热度、活动和供给等多种因素，不能仅归因于某一个模型。

学习案例通过未成年人模式与AI笔记，把知识视频转化为重点提炼和章节访问，帮助用户更好消费已经推荐到的内容。

辟谣案例则把事实核查与搜索卡片、官方澄清视频、定向推荐结合起来，让看过错误信息的人更有机会接触后续纠正。

这三类场景说明推荐的价值不止是多一次播放，还包括满足具体消费需求、提升学习效率和修正信息误解。

14.4 新大众文艺的十大领域与四个价值方向

2026年8月的报告发布网页介绍了算法与普通人创作之间的双向关系：推荐帮助作品找到受众，丰富的创作和真实反馈也帮助系统学习什么内容有价值。

网页列出的十个领域包括：素人才艺、微短剧、网络文学、文化演艺、生活万象、大众音乐创作、非遗与民间手艺、大众体育与全民健身、素人写作、知识素养。

这些领域并非都依靠同一种消费方式。音乐与表演可能产生重复观看和分享，知识内容可能形成收藏与复访，系列剧情可能带来关注与追更，生活记录可能形成持续的情感连接。多目标体系为不同内容价值提供了不同的识别入口。

发布页以ECHO模型概括四个方向：更有活力、更有文化、更加美好、更加开放。网页没有展开该缩写每个字母的英文释义，本资料沿用其已给出的中文维度。

这一页所讨论的公共文化空间，重点在于普通人的才艺、职业经验、生活记录与情感表达能够进入更广泛的传播。算法参与机会分配，但作品的构思、表达和文化价值仍来自人的创造。

14.5 课文短片、早餐店写作与AI影像

郝家豁团队以真人实拍把《孔乙己》《金色的鱼钩》等课文转化为短片。团队并非影视科班出身，作品通过观众反馈不断改进，并被部分教师用于课堂。其价值来自对文本的理解、场景重建与影像表达。

江南好在湖北经营早餐店，中年重新拾起写作，自2019年以来在抖音写下50多万字。职业生活提供了经验与观察，网络发表和读者回应则为持续表达提供了空间。

编导李让从舞蹈专业转向自学AIGC影像创作，代表作《告别》播放超过1亿次。发布页强调，生成工具可以参与画面制作，但故事、分镜、构思与情感组织仍需要创作者完成。

这三个案例对应低成本参与创作的不同方式：已有文学文本的再表达、日常经验的写作、技术工具辅助的影像。制作门槛下降后，更值得区分的是内容有没有独特观察、完整表达和打动受众的理由。

AI工具与内容质量不是同义关系。工具能缩短某些制作步骤，作品是否有价值仍要看创意和最终体验；是否让用户误认制作方式或真实事件，则是另一个需要清晰交代的问题。

十五、把公开机制用于创作：怎样提高推荐机会

15.1 一条更容易持续分发的内容，需要同时解决什么

从公开机制可以推导出五个创作问题：谁需要这条内容，开头能否让对方识别价值，主体是否兑现承诺，作品是否值得保存或分享，扩大传播后是否仍经得起质量判断。这是一套内容分析方法，不是平台公布的操作公式。

首先，明确接收者。与其只写“做美食”，不如明确“给第一次做饭的人解释怎样判断肉熟了”。具体需求有助于选题、结构和例子保持一致，也让用户更快判断是否值得继续看。

其次，把价值交代清楚。开头可以说明问题、呈现结果或展示值得理解的反常现象；主体要提供支持这个承诺的信息。开头吸引与内容兑现之间的落差，会影响实际观看和后续信任。

再次，选择适合内容的价值目标。操作教程可以追求方便复用，解释型内容可以追求理解与讨论，故事可以追求共鸣与分享，系列创作可以追求持续关注。内容定位不同，理想反馈组合也不同。

最后，让信息、素材与表达经得起更广泛人群的理解。流量扩大后，作品面对的受众更复杂，原本依赖小圈子背景的玩笑或省略条件，可能被不同方式理解。补足必要语境，同时保持表达清晰，有助于提高传播的稳定性。

15.2 不同内容类型应该优先改进什么

内容类型 用户主要需要 优先改进 适合观察的反馈
教程与工具 按步骤完成任务 条件、步骤、参数、常见错误、结果 收藏、复访、具体问题
知识解释 理清复杂问题 结构、例子、因果、术语说明 有效观看、分享、深度评论
生活记录 真实感与共鸣 具体细节、人物关系、情绪节奏 分享、评论交流、持续关注
技艺与表演 审美与技艺体验 关键动作、完整呈现、特色 重复观看、关注、追更
系列内容 连续解决一组问题 单集价值、系列递进、稳定主题 关注后观看、后续访问
资讯与现场 获得新信息 时间地点、事实依据、背景解释 有效讨论、分享、信息纠正情况
AI影像 新表达与故事体验 构思、情感、叙事、制作方式说明 观看质量、分享、对作品的讨论

这张表用于选择改进方向，并不意味着系统只为每类内容计算表中的目标。多目标仍同时存在，只是不同类型的内容更容易在不同维度体现价值。

所谓优化收藏，不只是增加一句“记得收藏”，而是让用户以后回来确实能找到需要的信息；优化关注，也不只是请求关注，而是让用户理解以后还能获得什么。

15.3 创作者可以自己计算哪些指标

下面是内容复盘的通用计算方法。分子和分母应采用同一统计周期，并与后台定义保持一致；人数、次数和播放量不要混用。

指标 一种明确的计算口径 用途
完播率 完整播放次数÷播放开始次数 观察完成消费的比例
平均观看时长 总观看时长÷对应播放次数 观察实际投入时间
平均观看比例 平均观看时长÷视频时长 辅助比较相近形式内容
点赞率 点赞数÷选定口径的播放量 观察即时认可
收藏率 收藏数÷同口径播放量 观察保存意愿
分享率 分享数÷同口径播放量 观察转发意愿
关注转化率 可归因于作品的新增关注÷同口径播放量 观察持续接收意愿
评论回复覆盖率 获得作者回复的评论数÷纳入统计的评论数 观察作者回应情况

例如，一条60秒视频有1,000次播放开始，350次完整播放，总观看45,000秒，60个赞、40次收藏、10个可归因新增关注，则按上述示例口径：完播率35%，平均观看45秒，平均观看比例75%，点赞率6%，收藏率4%，关注转化率1%。

平均观看比例与完播率不同。平均看45秒，不等于75%的人看完。重复播放还可能使某些口径下的平均观看比例超过100%。如果后台使用有效播放、去重人数或其他定义，应按其口径重新计算，不能直接混比。

这些历史指标可用于复盘，但并不等于推荐模型对下一个特定用户预测的概率。

15.4 怎样比较两条作品才有意义

比较作品时，尽量先固定内容类型、时长范围、目标人群和观察时段。一个十秒笑点与一个二十分钟教程，直接比完播率，往往无法回答哪条更满足用户需求。

可以围绕一个明确假设做小规模实验。例如，保持同类选题与表达长度，比较“先交代使用场景”和“先展示最终结果”两种开头，观察早期流失、平均观看与收藏是否同步变化。每次尽量只改一个主要因素，减少解释上的混乱。

数据越少，偶然波动越大。100次播放中的5个赞与6个赞，差一个人的动作就变化一个百分点；当流量扩大到不同受众时，指标下降也可能反映人群变化。先观察多条同类作品，再形成稳定判断，比凭单条结果给账号定性更可靠。

复盘最好同时看过程与结果。过程包括开头是否清楚、哪一段难懂、评论反复问什么；结果包括观看、保存、分享和关注。用户提出的具体疑问，往往比一个总分更能指向下一次该修改哪里。

可以为每次实验记录：目标受众、用户问题、主要价值、改动因素、统计窗口、关键结果与下一步动作。这里的统计窗口由自身业务需要选择，不存在由本栏目公布的统一发布后小时数。

15.5 播放量停下来时，按什么顺序检查

先检查作品状态和平台是否有具体通知。明确的内容处置、审核提示或账号问题，比仅凭曲线猜测更直接。没有这些证据时，再检查匹配与消费过程。

观察到的现象 可以检查的问题 更有用的改进方向
很多人迅速划过 开头能否让目标用户识别价值，画面和信息是否清晰 更早交代问题或结果，减少无关铺垫
开头能留人，中途流失明显 承诺是否兑现，结构是否断裂，解释是否过难 重组叙述，增加必要例子，压缩重复
观看较好，保存较少 作品是否具有以后再用的价值 对适用题材补足步骤、参数和索引
单条互动好，关注较少 用户是否知道作者以后能持续提供什么 建立清晰主题与连续问题体系
评论很多但攻击性强 讨论是否偏离内容价值，表达是否制造无意义对立 重新组织问题，回应事实与经验
早期表现好，扩大后下降 新受众是否需要同样背景知识 补足语境，检查受众定位
同类作品连续下降 重复感、需求变化、题材供给是否变化 研究真实新问题，调整内容而非只换包装

这张表提供排查线索。流量停滞本身不是某个原因的确证，也不应直接推出“系统在等待付费”“到了固定流量池”或“账号永久失去推荐”等结论。

15.6 最初两篇文章，究竟藏着哪些热门线索

最初提供的第一篇链接是《平台治理为推荐算法设置“护栏”》（文章15384）。它与热门直接相关的内容有三点：内容传播越广，经历的评估越多；更高播放量会触发更严格的复审与质量判断；潜在高热内容阶段重视原创和优质，运营人员可能介入综合研判。

因此，这篇文章给出的线索是“持续扩大传播还需要满足什么条件”。它没有公布每个互动动作的流量兑换值，也没有给出一张固定播放量台阶表。

第二篇《从零开始了解推荐系统》（文章15358）解释的是用户与内容怎样匹配，包括协同过滤、向量表示、深度学习和双塔召回。它帮助理解“作品为什么会先被挑给某些用户”，也说明标签名称不足以概括实际匹配关系。

把这两篇与多目标、优质子链路和评论质量文章放在一起，才更完整：内容先要匹配到潜在受众，再在多种价值上形成有效反馈，同时经过质量与治理判断，才可能持续扩大推荐。

所以，关于热门最值得研究的不是一个隐藏常数，而是受众、内容价值、长期关系和传播适宜性如何共同作用。

十六、专题页面与学习路线

16.1 看懂算法：十集课程目录

“看懂算法”专题提供十集课程，目录与时长如下。这里整理网页目录和简介，不将未观看的视频内容当作文字稿补写。

集数 课程名称 时长
1 视频推荐流背后的隐形机器 09:14
2 算法如何把用户和内容变成数据 09:32
3 在海量内容里打捞你的兴趣 09:55
4 推荐系统如何兼顾速度与精度 09:09
5 推荐结果最终如何产生 09:11
6 推荐系统的价值罗盘 10:05
7 推荐系统如何面对陌生用户和新内容 08:43
8 大模型如何为下一代推荐系统赋能 08:15
9 如何在多元价值评估体系中寻找平衡 06:04
10 平台如何守住内容安全边界 05:48

此外，专题还设置算法机制解析、算法多目标体系、算法思维成长等科普分类及相关活动入口。课程适合配合本文从匹配、排序、价值目标到治理依次学习。

16.2 体验算法：从召回到多样性的互动演示

体验算法页面通过引子、推荐系统、双塔召回、兴趣时钟、Wide & Deep排序、随机扰动和结语组织流程。

双塔部分展示用户与内容表示怎样用于匹配；兴趣时钟让用户观察时段变化与内容偏好的关系；排序部分解释记忆已知关联与泛化潜在关联；随机扰动部分展示相关性与内容多样性的调整。

这些交互有助于把抽象模型转化为可感知过程，但演示只选取推荐链路中的部分步骤。虚拟角色、推荐指数、时段与扰动强度属于教学设置，不能用来反推真实账号的阈值或参数。

本次整理读取了页面说明与可见流程，排序子模块曾停留在加载状态，因此未把其未呈现的交互结果作为证据。与该入口配套的2026年3月文章，提供了召回、排序和多样性环节的文字解释。

16.3 按目的选择阅读顺序

想理解热门分发，可以先读多目标公式与优质内容机制，再读高热审核、评论质量、长尾兴趣，最后使用创作复盘章节。这样能同时看到匹配、价值与传播条件。

想理解技术实现，可以从协同过滤、向量与双塔开始，再读特征交叉、行为预测、STCA、Trinity和RankMixer。注意这些技术分别作用于表示、候选寻找、历史理解与排序效率。

想改善自己的使用体验，可以先看使用管理助手、不感兴趣、主动搜索、收藏与关注，再了解多样性和长期兴趣机制。

想了解平台治理，可以按照标准制定、发布审核、评论语境、谣言检索、AIGC识别、网暴风险研判的顺序阅读，再用年度举措和案例理解这些能力怎样落地。

信息公开入口把基础文章、最近更新和专题页面放在一起。按问题组织阅读，比只按文章发表顺序阅读，更容易建立完整的理解。

十七、常见问题速查

17.1 热门、分数与流量池

抖音有没有公开推荐公式？ 有简化逻辑与多目标乘法表达，展示行为预测、价值权重和目标融合；完整函数、参数及各场景配置没有一并公开。

一个赞、一个收藏分别等于多少分？ 本栏目没有给出统一兑换值。模型计算的是特定用户对候选内容的预测与价值，而不是把后台动作数直接按固定单价相加。

完播率达到多少就一定上热门？ 没有适用于所有内容的公开门槛。时长、受众、分享、收藏、关注和长期反馈都会影响评价。

初始流量一定是500吗？ 原网页提到基础流量，但没有公布人人统一的500次初始分发规则。

复审与三审就是固定流量池吗？ 不是同一个概念。原文描述治理节点，并明确播放量阈值波动；实际还可被举报、质疑和异常信号触发。

自然推荐和热榜是一套公式吗？ 本栏目没有提供足以证明两者相同的完整公式。个性化推荐针对用户与内容匹配，榜单涉及特定范围内的热点排序，应分别理解。

17.2 内容质量与互动

为什么收藏值得关注？ 收藏表达保存意愿，后续复访进一步体现持续使用价值，有助于识别高信息价值内容。

回复每条评论都能获得额外流量吗？ 握手模型关注留言得到作者回应的积极互动，网页没有公布逐条回复与流量的固定关系。

争议越大是不是越容易火？ 评论质量与恶评也进入目标，依靠攻击和引战产生的互动可能限制分发。

好评论只能是赞美吗？ 不是。客观信息、合理建议、具体问题、经验分享和有理由的不同观点都可能有交流价值。

懂行用户就是认证账号吗？ 页面没有把两者等同。其核心是相关领域反馈对内容质量的识别价值，而不是一个公开的认证加分表。

长视频是不是天然吃亏？ 多目标体系引入分享、收藏、关注、时长等目标，帮助识别完播率之外的价值。长视频仍需要适合长表达的内容和结构。

17.3 兴趣、标签与模型

账号标签越少越精准吗？ 固定文字标签不足以解释实际推荐。网页介绍的向量、神经网络和聚类可以表达更复杂的用户—内容关系。

为什么突然看一类视频后，推荐变得重复？ 近期行为可能形成强信号，同时系统也通过多样性、长期兴趣和用户控制功能平衡重复。

做冷门题材一定更容易得到扶持吗？ 长尾机制关注用户确实喜欢且分发不足的兴趣，冷门本身不是充分条件。

以前喜欢但很久没看的内容，系统还能记住吗？ Trinity使用较长周期兴趣统计和历史种子，STCA探索更充分利用长行为序列，两者从不同层面支持长期记忆。

Trinity、STCA、RankMixer是一回事吗？ 分别重点处理兴趣组织、超长历史和排序模型计算效率，可以互相补充。

探索更多会清空历史偏好吗？ 页面描述的是增加多样性和调整权重，后续浏览习惯仍然影响推荐。

17.4 AI、治理与使用疑问

使用AI制作就会被限制推荐吗？ 页面支持优质AI创作，强调清晰标识，并治理误导、仿冒和违规内容；AI制作方式本身不能直接等同于低质量。

检测AI只看手指和画面瑕疵吗？ 还包括频域特征、音频、口型、多模态信号、水印和标注等。

AI求真只是让大模型凭记忆判断吗？ 它结合资料库、网络检索、多轮查证、信源分级与必要的人工复核。

“算法不懂内容”与“大模型理解语义”矛盾吗？ 早期文章强调行为关联无需人的语义理解，后续文章讨论新增语义能力与不同模型。需要按技术对象和发表时间理解。

长辈指南的八成观看是起号门槛吗？ 不是。那是向观看者说明充分观看怎样表达喜好，与作品总体完播率门槛不同。

看到刚聊过的商品就能证明App在窃听吗？ 单次命中不能确定信号来源。网页提供了已有行为参与广告匹配和巧合被放大的解释。

十八、术语与公式速查

18.1 推荐系统常用术语

术语 在本文中的含义
候选内容 尚未最终展示、等待匹配或排序的内容
召回 从海量内容中快速找出可能相关的候选
粗排 用较低成本进一步缩小候选范围
精排 对较少候选进行更细致的行为与价值预估
混排或重排 结合多样性、重复控制等组织最终列表
冷启动 新用户或新内容历史反馈不足时的匹配问题
协同过滤 利用不同用户的共同选择发现偏好关联
矩阵分解 用较低维度表示近似用户与内容关系
Embedding 将对象或特征转换为可计算的向量表示
双塔 分别编码用户与内容，再计算匹配关系的结构
余弦相似度 比较向量方向接近程度的度量
特征交叉 学习多个条件组合出现时的意义
泛化 将已有学习用于没有完全重复出现过的情形
行为预估 预测用户可能发生的交互或消费行为
多目标 同时考虑多种用户、作者与生态价值
目标权重 表达某目标在融合中的相对作用
长期组合目标 如收藏后复访、关注后追更等跨时间行为关系
内容簇 根据相似关系形成的内容集合
长尾兴趣 小众、低频但可能稳定存在的偏好
兴趣直方图 用户对不同内容簇的长期行为分布
Token 模型处理的信息单元，可表示特征而非文字
自注意力 序列内部不同位置之间的信息匹配与聚合
交叉注意力 一组查询从另一组信息中提取相关部分
FFN 对表示进行变换和提炼的前馈网络
MoE 通过多个专家模块组合或选择性计算的结构
MFU 衡量模型对硬件计算能力有效利用程度的指标

18.2 内容治理与AI常用术语

术语 在本文中的含义
初审 上传后的初步风险识别与判断
复审、三审 在后续传播阶段进行的进一步评估
多模态 同时利用文字、图像、声音、视频等信息
OCR 从图片等视觉材料中识别文字
ASR 把语音转成文字的自动语音识别
Agent 能围绕任务组织分析、工具使用与后续步骤的智能系统
RAG 检索相关材料，再辅助模型组织回答或判断
信源分级 按来源属性与可信程度组织证据优先级
谣言变体 改换表述或部分背景后重新传播的相似误导信息
正向评论目标 预测并鼓励具有交流价值的评论
恶评目标 预测并抑制攻击、引战等不良评论
RLHF 利用人类反馈及奖励信号优化模型
DPO 利用成对偏好样本直接优化模型
AIGC 由人工智能生成的内容
显式水印 用户能够直接看到或听到的生成标记
隐式水印 需借助相应识别方法读取的标记
空间域 图像像素在画面位置上的表示
频域 图像变化按频率组织的表示
FFT 快速傅里叶变换，用于频域分析
伪影 生成或处理过程中形成的异常视觉痕迹
困难样本 难以靠简单特征区分、用于提高学习能力的样本
存量回扫 用更新的治理能力重新检查已有内容

18.3 所有公式分别解决什么问题

表达 用途 本资料中的性质
行为预测与价值权重结合 概括推荐优先级 原网页公开简式
各目标经过函数处理后相乘 展示多目标融合结构 原网页公式图转写
加权和与乘法数值例子 演示权重和变换如何影响排序 本文自设教学例子
用户向量与内容向量点积 解释低维关系预测 通用数学说明
余弦相似度 解释向量方向相似程度 通用数学说明
注意力公式 解释查询、键、值的信息聚合 通用数学说明
平方级与线性复杂度 解释长历史计算的增长方式 对技术页面的数学说明
完播、平均观看、收藏等比率 帮助创作者复盘已发生的数据 本文明确口径的分析方法
时价×时长×天数×人数 说明网页的假设语音处理成本 对网页算例的展开

推荐分数、相似度、行为概率、历史互动率和复杂度不是同一个量。分清它们的用途，才能判断一个公式是否真的能够回答手头的问题。

参考文献