近日，“抖音安全与信任中心”网站正式上线，该网站向公众开放了关于抖音算法原理、社区规范、治理体系和用户服务机制的详细信息。 网站首次对外公开了抖音推荐算法的原理，包括从零开始了解推荐系统、用户行为背后的算法推荐逻辑、抖音算法的多目标平衡以及平台如何通过治理措施为推荐算法设置“护栏”。以下是部分推荐算法原理的阐述： 推荐算法的核心在于综合预估用户的各种行为概率。当用户打开抖音时，算法会评估候选视频并给出打分，将得分最高的视频推送给用户。用户在观看过程中对视频的互动（如点赞、评论等）反映了他们对视频的兴趣程度，这些反馈被用于调整推荐策略。 抖音的推荐排序模型学习的是一种行为反馈，即用户对视频的正面或负面评价。算法的目标是最大化这种反馈的价值，从而提升用户体验。 抖音推荐算法的核心逻辑可以简化为“推荐优先级公式”：综合预测用户行为概率 × 行为价值权重 = 视频推荐优先级。公式展开为： 概率模型预测：抖音推荐算法都预估用户哪些行为 推荐算法会通过算法模型预测用户对候选视频的行为概率（动作率）。结合用户行为和视频本身的价值权重，推算出视频推荐的价值分数，并将综合得出的价值最高的视频推送给用户。 在这个过程中，推荐算法会对用户的一系列行为进行预估，包括点赞、关注、收藏、分享、不喜欢、是否点击作者头像、评论区停留时长、长期消费等等。 抖音算法的多目标平衡 随着内容和用户需求的多样化，单一目标已难以满足实际需求，因此多目标推荐系统成为主流。多目标推荐系统核心在于同时建模和优化多种不同的目标函数，以构建更全面平衡的推荐策略。这反映了用户、平台或创作者的多样化需求。 通过提升用户体验，让用户喜欢使用产品，是所有推荐系统的天然目标。推荐算法在诞生之初大多是服务于这个目标，比如预测用户观看完内容（即完播率）、点赞的概率。 在抖音的早期发展阶段，15秒短视频是主流形式。在这一阶段，完播率成为了推荐算法的核心目标之一。这是因为高完播率意味着更多的用户喜欢这条视频，因此，完播率成为评估内容价值的关键指标。 随着抖音用户群体的日益多样化和内容风格的不断丰富，单一的完播率目标已无法满足所有用户的需求。为了更全面地评估内容的吸引力，多目标建模应运而生。这种技术允许抖音对视频进行综合评分，从而更有效地优化内容的价值评估。 经过长期的发展和完善，抖音已经建立了一个复杂的多目标体系。这个体系不仅涵盖了完播率等关键指标，还综合考虑了其他多种因素，如点赞数、评论数、分享次数等。这些因素共同决定了一个视频是否能够被推荐给用户。 基于多目标建模，抖音对所有准备推荐给用户的视频进行打分。这个打分公式可以简化为： 最终，一个视频是否被推出，取决于多种因素的综合考量。每种因素背后都有着多个目标导向的考量。