抖音推荐算法原理大公开！

近日，“抖音安全与信任中心”网站正式上线。该网站向社会公开了抖音的算法原理、社区规范、治理体系以及用户服务机制。

此网站首次公开了抖音推荐算法原理，算法介绍涵盖以下内容：从零开始认识推荐系统，用户行为背后的算法推荐逻辑，抖音算法的多目标平衡，以及平台治理为推荐算法设定的“护栏”。

部分推荐算法原理阐述

推荐算法是对用户各种行为概率的综合预估，且仅预估行为动作。

当用户打开抖音，推荐算法会给候选视频打分，将得分最高的视频推送给用户。

用户观看视频时可进行各种互动，这些互动反映了用户对视频的感兴趣程度。比如点赞比不点赞好，看完比没看完好，不点不喜欢比点不喜欢好。“看完了”和“点赞”都属于反馈动作。

用户对观看视频的每次反馈都有正或负的价值。抖音的推荐排序模型学习的就是这种行为反馈，推荐系统的目标是把反馈价值最高的视频推给用户。

抖音推荐算法的核心逻辑可简化为“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。公式详情如下：

概率模型预测：抖音推荐算法会预估用户哪些行为

推荐算法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，将综合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。

抖音算法的多目标平衡

推荐算法通过各种“目标”预估用户行为，为用户推荐内容。但用户行为多样，不同行为的重要程度决定了算法推荐的优先级，所以为推荐算法设置合理目标至关重要。

推荐算法诞生初期只关注单一或少量目标，如完播、点赞。但随着平台内容和各方需求日益多元化，单一目标难以满足实际需求，多目标推荐系统成为主流。

多目标推荐系统的核心是同时建模和优化多种不同的目标函数，构建更全面平衡的推荐策略。多目标反映了用户、平台或创作者的多样化需求。

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。推荐算法早期大多服务于这一目标，比如预测用户观看完内容（完播率）、点赞的概率。

早期抖音以15秒短视频为主，此时完播率是推荐算法的核心目标之一，因为完播率越高意味着越多用户喜欢该视频。

随着抖音用户和内容风格愈发多样化，平台上出现了更多优质中长视频，完播率等少数目标已无法满足更多样的需求，多目标建模成为技术上的自然选择。

经过长期发展，抖音已形成非常复杂的多目标体系，有效优化了对内容的价值评估。

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，其公式可简化为：

由此可见，一个视频是否被推荐，取决于多种因素，每种因素背后都有多个目标导向的考量。