抖音不靠偷听：揭秘推荐算法背后的双塔与 Wide&Deep 模型
你是否曾有过这样的疑惑：刚和朋友聊到某个话题，打开抖音就刷到了相关内容？这让人不禁怀疑：抖音是不是在偷听？
事实上，抖音并不依赖“偷听”或读取隐私信息来推荐内容。它依靠的是一套精密且高效的核心推荐算法逻辑。这套系统能在毫秒之间完成计算，从海量视频中精准捕捉你的喜好。
抖音安全与信任中心近期上线了“算法体验”板块，以可视化的方式公开了推荐算法的秘密。本文将基于这一官方科普内容，深入解析抖音推荐算法的运作机制。
推荐算法的核心任务：从海量中筛选
当你打开抖音 APP 的那一刻，一场毫秒级的精准计算便已启动。
平台上有千万级甚至亿级的视频内容，而你的屏幕只有一个。推荐算法的核心任务非常明确：从海量内容中，快速挑出你可能喜欢、且大概率愿意停留的内容，并按优先级推送给你。
这一过程并非巧合，而是通过一系列复杂的模型层层筛选与排序实现的。
第一步：双塔模型（Two-Tower Model）—— 特征提取与匹配
推荐系统的第一步是“召回”，即从海量视频中快速筛选出几千个候选作品。这一过程主要依赖双塔模型。
你可以将双塔模型想象成两个独立的特征提取塔：
-
用户塔（User Tower）：
- 功能：专门分析你的历史行为。
- 数据源：包括你点赞过的视频类型、停留时长、评论、收藏等。
- 输出：将这些信息浓缩成一串数字，形成用户向量。
-
内容塔（Content Tower）：
- 功能：专门分析视频本身。
- 数据源：包括视频的内容特征、标题、文案、画面风格、背景音乐、创作者类型等。
- 输出：同样浓缩成数字，形成内容特征向量。
向量：多维宇宙中的坐标
这些由数字组成的向量，类似于地图上的经纬度坐标。如果把推荐系统想象成一个多维宇宙，向量就代表着内容或用户在这个宇宙中的位置。
推荐算法的核心工作，就是计算离“用户坐标”最近的“内容坐标”在哪里。相似度越高，说明该视频越符合你的喜好，从而被纳入推荐候选池。
第二步：Wide&Deep 模型 —— 记忆与探索的平衡
经过双塔模型筛选出的几千个候选视频仍然太多，接下来需要进行排序打分，决定你接下来看到的第一个、第二个、第三个视频分别是什么。
这里涉及到的 Wide&Deep 模型，揭示了算法的另一大目标：帮你发现更多未知的兴趣点。
过去我们常误以为算法只是“你喜欢看什么，就拼命给你推什么”，但 Wide&Deep 模型采取了“记忆 + 探索”双管齐下的策略：
1. Wide 部分：负责“记忆”
- 目标：记录你之前的明确喜好。
- 逻辑：如果你点赞过“番茄炒蛋教程”，Wide 部分会直接关联推荐“鸡蛋炒辣椒”、“番茄炖牛腩”等强相关内容。
- 作用：确保你刷到肯定喜欢的内容，满足已知需求。
2. Deep 部分：负责“探索”
- 目标：挖掘你潜在的兴趣。
- 逻辑：如果你喜欢看“户外露营”，但从未刷过“露营装备测评”，Deep 部分会通过分析与你相似的用户喜好，预判你可能也对装备感兴趣，从而推荐这类潜在需求内容。
- 作用：避免你一直刷同类内容感到厌倦，让你刷到潜在喜欢的内容。
第三步：随机扰动 —— 打破信息茧房
在排序完成后，推荐结果还会经过**随机扰动（Random Perturbation）**处理。
什么是随机扰动？
这是在最终打分时，故意给一些其他内容增加一点随机权重。通过调节扰动强度，系统可以控制推荐中随机内容的比例。
为什么要这样做？
随机扰动是系统故意开的一个“小口子”，其目的有三：
- 试探兴趣边界：测试你对新类型内容的接受度。
- 打破信息茧房：避免用户陷入单一内容的循环。
- 保持系统活力：确保推荐系统始终保持新鲜感，让你偶尔能发现“新大陆”。
结语
实际上，真正落地的推荐系统远比上述流程复杂得多。这里展示的只是其中最核心、也最容易理解的一部分逻辑。
如果你对算法如何工作有更浓厚的兴趣，可以访问抖音安全与信任中心官网，体验其上线的“推荐算法可视化专题模块”。那里有更详细、更系统的算法科普内容，让你亲手点击、观察算法的实时运作。
算法并非黑箱，理解它的逻辑，能让我们更从容地面对数字时代的信息流。