抖音揭露演算法機制​​：透過神經網路計算　預估用戶行爲

▲抖音。（圖／CFP）

記者蔡紹堅／綜合報導

抖音近日首次揭露其演算法機制，抖音算法工程師劉暢在抖音「安全與信任中心開放日」上介紹，抖音算法已幾乎不依賴對內容和用戶打標籤，而是通過神經網路計算，預估用戶行爲，計算用戶觀看這條內容獲得的價值總和，把排名靠前的內容推給用戶。

劉暢提到，抖音推薦算法作爲人工智慧機器學習技術的重要應用場景，本質上是一套高效的訊息過濾系統。

劉暢說，在實際應用中，平臺推薦系統採取「人工+機器」協同的方式進行風險治理，由人工運營和治理體系爲算法導航，同時多目標體系算法主動打破 「訊息繭房」，爲用戶帶來更豐富的推薦結果。

劉暢指出，從推薦算法來看，抖音與國內外大部分內容推薦平臺相似，包含召回、過濾、排序等環節，重點是學習用戶行爲。抖音基於用戶行爲的推薦方法包含多種技術模型，如協同過濾、雙塔召回、Wide&Deep模型（均爲推薦系統中常用模型）等。

劉暢說，算法可以在完全「不理解內容」的情況下，找到興趣相似的用戶，把其他人感興趣的內容推薦給該用戶。

劉暢提到，目前，抖音算法已幾乎不依賴對內容和用戶打標籤，而是通過神經網路計算，預估用戶行爲，計算用戶觀看這條內容獲得的價值總和，把排名靠前的內容推給用戶。

對於外界擔憂的「訊息繭房」問題，劉暢強調，抖音算法在多目標建模體系下，設置專門的探索維度，一是對用戶在平臺上已經表現出的興趣，儘可能推薦更多樣的內容，通過多樣性打散、多興趣召回、扶持小衆（長尾）興趣等方法控制相似內容出現的頻次。

劉暢指出，二是幫助用戶探索更多新興趣，採用隨機推薦、基於用戶社交關係拓展興趣、搜索推薦聯動、「不感興趣」不再展現等多種方式，讓用戶的主動行爲影響推薦系統，使推薦更加個性化和多樣化。

劉暢解釋，算法能學習、預估用戶行爲，但因其無法理解內容語義，對內容的理解存在不足，可能導致違法違規、不良內容被推薦傳播，「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範。」

在內容治理方面，抖音生態運營經理陳丹丹說，抖音的體系是「人工參與+機器學習」相結合的模式，並組建專門的平臺治理團隊爲算法設置「護欄」，具體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。

陳丹丹解釋，治理流程秉持兩大準則，第一：所有在平臺發佈的內容都會經過評估，流量越高的內容評估次數越多，標準也越嚴格。第二：抖音內容審覈採用「人工+機器」相互配合的模式，「機器」負責「寬度」評估所有投稿，「人工」負責「深度」，確保專業、敏感或疑難等問題儘可能精準研判。

陳丹丹指出，創作者將內容上傳至抖音後，首先進入機器識別環節。如果內容被識別出含有高危特徵，將被直接攔截；，「未命中高危特徵但模型判斷有問題，則會送至人工審覈，若問題概率較低，則獲得基礎流量進入下一環節。」

陳丹丹還說，影片被舉報、評論區出現集中質疑、流量激增等情況出現，均可能觸發「人工+機器」審覈。一旦內容在任一環節被處置，系統會立即停止進一步推薦和分發。