近日，抖音通過“抖音安全與信任中心”網站首次公開了其推薦算法的原理，揭示了推薦系統不僅僅是基于完播率，還涉及復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算法原理、社區規范、治理體系和用戶服務機制。

該網站首次公開抖音推薦算法原理，算法介紹部分包括內容有：從零開始了解推薦系統，用戶行為背后的算法推薦邏輯，抖音算法的多目標平衡，平臺治理為推薦算法設置“護欄”。

以下是部分推薦算法原理闡述

推薦算法是對用戶各種行為概率的綜合預估

推薦只預估行為動作

當用戶打開抖音時，抖音的推薦算法會給候選視頻打分，并把得分最高的視頻推送給用戶。

用戶在觀看時可以對看到的視頻做出各種互動，這些互動體現了用戶對這個視頻的感興趣程度。比如用戶點贊比不點贊要好，看完比沒看完要好，沒有點不喜歡比點不喜歡好。在這里，“看完了”就是一次反饋動作，“點贊”也是一次反饋動作。

用戶對觀看的視頻的每一次反饋，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視頻推給用戶。

抖音推薦算法的核心邏輯可以簡化為“推薦優先級公式”：綜合預測用戶行為概率 × 行為價值權重 = 視頻推薦優先級。公式展開為：

概率模型預測：抖音推薦算法都預估用戶哪些行為

推薦算法會通過算法模型預測用戶對候選視頻的行為概率（動作率）。結合用戶行為和視頻本身的價值權重，推算出視頻推薦的價值分數，并將綜合得出的價值最高的視頻推送給用戶。

在這個過程中，推薦算法會對用戶的一系列行為預估，這些行為包括點贊、關注、收藏、分享、不喜歡、是否點擊作者頭像、評論區停留時長、長期消費等等。

抖音算法的多目標平衡

推薦算法通過各種“目標”來預估用戶行為，為用戶推薦內容。但用戶的行為動作有很多，不同行為的重要程度會決定算法推薦的優先級。因此，為推薦算法設置合理的目標格外重要。

推薦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，核心在于同時建模和優化多種不同的目標函數、以構建更全面平衡的推薦策略。多目標反映了用戶、平臺或創作者的多樣化需求。

通過提升用戶體驗，讓用戶喜歡使用產品，是所有推薦系統的天然目標。推薦算法在誕生之初，大多是服務這個目標，比如預測用戶觀看完內容（即完播率）、點贊的概率。

早期的抖音以15秒短視頻為主，在這一階段中，完播率是推薦算法的核心目標之一，這背后的邏輯是，完播率越高則意味著越多用戶喜歡這條視頻。

隨著抖音的用戶愈發多樣化，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視頻，完播率等少數目標已經無法滿足更多樣的需求。因此，通過多目標建模，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復雜的多目標體系，有效優化了對內容的價值評估。

基于多目標建模，抖音對所有準備推薦給用戶的視頻進行打分，其公式可以簡化為：

由此可以看出，一個視頻是否被推出，取決于多種因素。每種因素背后都有著多個目標導向的考量。

本文來自微信公眾號：三言Pro，作者：三言財經