抖音推荐机制规则

题图来自Unsplash，基于CC0协议

导读

抖音用的是协同过滤+深度学习的混合推荐机制，简单说就是会记住你喜欢什么，然后给你推荐相似的。再根据用户的历史浏览行为、停留时间、互动情况（点赞、评论、转发等）来优化推荐结果。还用了FM模型（因子分解机）来捕捉用户行为之间的高阶关系，最后通过一个所谓的“兴趣网络模型”不断细化你的标签，最终实现人（用户）与内容的精准匹配。

抖音不是单纯拼粉丝量或发布时间来推荐内容的。它会非常细致地分析用户的年龄分布、性别构成、地理位置、语言习惯、首次安装时间等多个维度，形成立体的用户画像，并且这个画像会随着你的使用行为不断更新。比如，你上下班路上经常看烹饪视频，深夜喜欢恐怖故事合集，抖音系统会把这些碎片化信息整合起来，为下一波推荐提供依据，而不是糊里糊涂地往“美食+影视”的宽泛方向推送。

内容推荐是有优先级的，完播率是核心指标，因为抖音鼓励别人看下去。一条视频哪怕有些内容很普通，但如果用户一直看视频结尾，它的推荐权重就会被系统提升。除此之外，点赞、评论、转发等互动行为也会形成反馈循环。视频的发布时间、封面设计、音频吸引力、是否高互动性（比如挑战赛、热门歌曲）都会被算法纳入考量。上下文嵌入模型会被用来解析第二人称“这瓜真甜”是那种“钩子”造型的片段，也有可能组合出算法都喜欢看的“二妞”。

抖音团队对算法的迭代频率非常高，每个月都在测试新的模型结构，每年会推出多次更新，甚至每天都在调试参数和基准。这种高频更新其实反映了平台对用户兴趣快速变化的敏感度，以及对广告主和创作者引流需求的实时响应能力。一旦流量下降或出现热度池满溢，抖音就可能启动新一轮算法调试。

推荐机制所受的影响远不止是一串代码。比如，国家针对低俗内容加大审核力度，算法系统只能吃算法更新换代的饭，但不能养用户洗脑和创作者以垃圾内容博流量的局面。另外，内容生态变化也会决定算法的效果，比如短视频迅速热点的泛滥或垂直领域的冷清，都会动摇推荐系统的基础逻辑。说实话，推荐算法连自身平台的规则都控制不了，自然很难对抖音以外的影响因素置之不理。

总的来说，抖音用一套超级挠痒痒的算法，抓住你的手指不放。攻守两端，一边是把用户黏住，一边是加快破圈速度，算法不光要会识别你、理解你，还要懂操纵你、调动你。而这种推荐闭环的整个链条，正是抖音销量7亿MAU的根本原因之一。