抖音：可几乎不依赖打标签，通过神经网络计算预估用户行为

据介绍，抖音算法已几乎不依赖对内容和用户打标签，而是通过神经网络计算，预估用户行为，计算用户观看这条内容获得的价值总和，把排名靠前的内容推给用户。

在抖音的实际应用中，推荐系统采取“人工 + 机器”协同的方式进行风险治理，始终有人工运营和治理体系为算法导航；多目标体系算法能主动打破“信息茧房”，为用户带来更丰富多元、实用可靠的推荐结果。

抖音应用的深度学习算法包括 Wide&Deep 模型、双塔召回模型等。前者可解决协同过滤算法容易造成信息单一、泛化不足的问题，后者在召回环节提供更好的推荐效果。

基于人工智能机器学习和深度学习构建的推荐算法，其本质是数学模型的运算过程，只是在建立用户行为与内容特征之间的数学统计关联，而非理解内容本身。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。

模型需要内容和用户两端的数据做输入，其中主要是学习用户行为数据。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。

官方表示，抖音的价值模型希望实现内容、用户、作者以及平台的多方价值共赢，并通过不断调整参数，对各类价值进行加权。随着算法的进步，抖音已经实现了“分钟级”实时反馈更新。

抖音表示，推荐算法通过各种“目标”来预估用户行为。推荐算法诞生之初，只关注单一或者少量的目标。随着抖音的用户愈发多样化，内容风格也日益多元，平台上有了越来越多的优质中长视频，完播率等少数目标难以满足需求，多目标建模成为技术上的自然选择。

抖音已经发展出非常复杂的多目标体系，比如将收藏率纳入多目标，帮助知识类内容推送给有需求的用户；增强“收藏 + 复访”“关注 + 追更”“打开 + 搜索”等组合目标，预估用户长期行为，帮助用户探索长期需求；设置探索类指标，帮助用户探索可能他们自己都还没发现的潜在需求，助力破除“信息茧房”；设置原创性目标，鼓励优质、新颖且具有独特价值的内容推荐。

据IT之家此前报道，3 月 30 日，“抖音安全与信任中心”网站上线。网站首次公开抖音推荐算法原理，介绍其推荐算法如何预估用户行为概率，并通过多目标建模等方式实现更优质、丰富的内容推荐，而算法需由平台治理体系对其进行约束和规范。