界面新聞記者 | 肖芳

界面新聞編輯 | 文姝琪

多次因為熱點事件的處理引發(fā)爭議之后，抖音近日首次公開了算法原理。

據(jù)界面新聞了解，抖音安全與信任中心網(wǎng)站已上線試運營，正向用戶、創(chuàng)作者、社會各界征集意見。該網(wǎng)站公開了抖音算法推薦系統(tǒng)的原理、用戶行為背后的算法推薦邏輯以及平臺人工治理識別各類風險等內(nèi)容。

在此前舉辦的2025中國網(wǎng)絡(luò)媒體論壇上，抖音總裁韓尚佑解釋了公開算法推薦系統(tǒng)原理的原因。他表示，很多人對推薦算法技術(shù)存在誤解，認為算法是給內(nèi)容打上對應(yīng)標簽，再給用戶打上對應(yīng)的屬性，最后通過數(shù)據(jù)運算，把對應(yīng)標簽的內(nèi)容推薦給有對應(yīng)屬性的用戶。實際上，抖音的推薦系統(tǒng)已幾乎不依賴對內(nèi)容或者用戶打標簽，而是通過一系列神經(jīng)網(wǎng)絡(luò)計算，直接預(yù)估每一個用戶對每一個內(nèi)容的目標行為，并挑選出概率最大的一部分內(nèi)容，推薦給用戶。

抖音安全與信任中心網(wǎng)站也著重介紹了這部分內(nèi)容：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(xiàn)了用戶對這個視頻的感興趣程度。比如，“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，都會對內(nèi)容流量產(chǎn)生影響。

抖音算法的核心邏輯就是通過預(yù)測用戶行為概率和用戶不同行為的價值權(quán)重來確定視頻推薦優(yōu)先級。

雖然推薦算法已并非新生事物，圍繞它的爭議卻從未間斷。這些爭議包括推薦算法帶來標題黨、低質(zhì)量、甚至虛假內(nèi)容以及信息繭房的問題。但算法也有積極的一面，其提升了信息分發(fā)效率、促進信息流動，不能因為存在問題就被一棒子打死。

今年以來，抖音和今日頭條陸續(xù)釋放算法和平臺治理的相關(guān)信息，試圖通過增加透明性來破解算法引發(fā)的種種爭議。

首次解釋抖音算法不追求平臺短期數(shù)據(jù)

從抖音公開的算法原理和算法特點來看，抖音的推薦算法與國內(nèi)外大部分內(nèi)容推薦平臺相似，包含召回、過濾、排序等環(huán)節(jié)，重點是學習用戶行為。

抖音基于用戶行為的推薦方法包含多種技術(shù)模型，如協(xié)同過濾、雙塔召回、Wide&Deep模型等。算法可以在完全“不理解內(nèi)容”的情況下，找到興趣相似的用戶，把其他人感興趣的內(nèi)容推薦給該用戶。

其中，協(xié)同過濾推薦算法是最經(jīng)典的推薦算法。簡單來說，協(xié)同過濾就是協(xié)同用戶的行為，一起對海量的信息進行過濾，從中更加快速篩選出用戶可能會產(chǎn)生行為（比如完播、點贊）的內(nèi)容。比如，用戶 A 觀看了內(nèi)容 X、Y、Z，用戶 B 觀看了內(nèi)容 X、Z、W，這意味著X 和 Z 之間就有較高的相似度，系統(tǒng)會根據(jù)用戶對已觀看或已評分內(nèi)容的偏好，為用戶推薦與這些內(nèi)容相似的其他內(nèi)容。其原理就是，找到和你興趣相似的用戶，把他們感興趣的內(nèi)容也推薦給你。

Wide&Deep模型是抖音推薦算法主力模型之一。Wide部分的主要作用是讓模型具有較強的“記憶能力”，模型可直接學習并利用歷史數(shù)據(jù)中物品或者特征的“共現(xiàn)頻率”；Deep部分的主要作用是讓模型具有“泛化能力”，能夠發(fā)掘稀疏甚至從未出現(xiàn)過的稀有特征與最終標簽相關(guān)性。這個模型能夠解決協(xié)同過濾算法推薦結(jié)果頭部效應(yīng)比較明顯的問題。

算法能學習、預(yù)估用戶行為，但因其無法理解內(nèi)容語義，對內(nèi)容的理解存在不足，可能導致違法違規(guī)、不良內(nèi)容被推薦傳播。因此，算法在真實使用場景中，必須由平臺治理對其進行約束和規(guī)范。抖音平臺治理體系包括異常感知、標準定義、機器識別、人工研判、風險處置等過程。其中，人工主要負責“深度”，確保專業(yè)、敏感或疑難等問題盡可能精準研判。

在很多用戶的認知中，算法會推薦一些博眼球甚至擦邊的內(nèi)容來提升用戶使用時長和用戶留存率。在4月15日舉辦的抖音開放日上，抖音方面首次對這個問題進行了解釋。

抖音算法工程師劉暢表示，抖音更關(guān)注用戶長期價值，而非追求平臺的短期數(shù)據(jù)。為此，抖音算法考慮了眾多目標，如完播、評論、點贊、對作者長期消費、分享、跟拍等，力圖計算出更符合用戶長期價值的目標。

他同時還對引發(fā)爭議較多的信息繭房問題進行了回應(yīng)：為引導算法打破信息繭房，抖音算法在多目標建模體系下，設(shè)置了專門的探索維度。

一是對用戶在平臺上已經(jīng)表現(xiàn)出的興趣，盡可能推薦更多樣的內(nèi)容，通過多樣性打散、多興趣召回、扶持小眾（長尾）興趣等方法控制相似內(nèi)容出現(xiàn)的頻次。二是幫助用戶探索更多新興趣，采用隨機探索、基于用戶社交關(guān)系拓展興趣、搜索推薦聯(lián)動、“不感興趣”不再展現(xiàn)等多種方式，讓用戶的主動行為影響推薦系統(tǒng)，使推薦更加個性化和多樣化。

從抖音對算法原理的一系列解釋來看，其想強調(diào)的是算法的核心是以數(shù)學計算學習人類行為，它將用戶對內(nèi)容的具體偏好抽象為高維空間中的數(shù)學映射關(guān)系，而算法本身是沒有偏好的。

這種解釋并沒有錯，但算法帶來的爭議并不是簡單的數(shù)學問題，而是夾雜著諸多社會熱點事件本身引發(fā)的爭議以及公眾情緒，這才是消除公眾誤解的關(guān)鍵和難點。

打破算法爭議，抖音仍需提升熱點事件處置的透明性

回溯去年以來抖音和今日頭條算法引發(fā)的爭議，每一次都和具體的熱點事件相關(guān)。

比如，在郭有才等網(wǎng)紅走紅過程中，一些網(wǎng)友的疑問在于，網(wǎng)紅的走紅是否由平臺算法強推出來的。在一些熱點新聞中，公眾關(guān)心的是算法推薦是否加劇了謠言的傳播、讓謠言處理的難度提升。

在和界面新聞記者談及抖音算法引發(fā)的爭議時，多位抖音用戶表示，相比于算法的數(shù)學原理，他們更關(guān)心的是平臺對熱點事件處置的透明性。

實際上，平臺對熱點事件處置的不透明加劇了公眾對算法的誤解。比如，在吳柳芳事件中，很多用戶認為是平臺通過算法推薦吳柳芳的擦邊內(nèi)容，帶動其走紅，進而質(zhì)疑平臺算法故意推薦擦邊內(nèi)容。而真實的情況是，在成為社會熱點事件之前，吳柳芳在抖音上的流量和粉絲量一直較少，平臺也并未對其進行推薦。其流量的增長是在該熱點引發(fā)社會關(guān)注后，用戶主動搜索導致的。

去年12月以來，抖音集團副總裁李亮開始在微博上活躍，多次解釋算法的相關(guān)問題，并對吳柳芳事件、抖音用戶把錢讀成米等熱點事件進行了回應(yīng)，增加與公眾的溝通。

但這還遠遠不夠。比如在張?zhí)m封號事件中，雖然李亮在微博上解釋封號的原因是當事人推薦不實信息進行商業(yè)炒作，但網(wǎng)友們仍然對判罰的尺度存在疑問，爭議依然發(fā)酵數(shù)日。

針對公眾關(guān)心且爭議比較大的問題，抖音也在抖音安全與信任中心網(wǎng)站上進行了解釋。目前，網(wǎng)站解釋的問題包括“抖音為何突出收藏按鈕”“App會竊聽用戶談話嗎”“網(wǎng)紅是平臺強推出來的嗎”等。據(jù)界面新聞了解，抖音后續(xù)還將在該網(wǎng)站解釋更多爭議性問題。

一位抖音內(nèi)部人士告訴界面新聞，抖音內(nèi)部收集到了很多反饋信息，最終決定上線一個網(wǎng)站來和外界溝通，把已經(jīng)做的工作向外界傳遞出去。