抖音集团近期通过其官方公众号发布了一则关于安全与信任中心开放日活动的详细信息，活动中抖音相关业务负责人深入探讨了社会普遍关注的算法机制与平台治理策略。
在活动中，抖音揭示了其算法机制的最新进展：如今，抖音算法已很少依赖于对内容和用户进行标签化处理，而是采用先进的神经网络计算技术，预测用户行为，并综合评估用户观看内容所获得的价值，从而为用户推送排名靠前的优质内容。
抖音的推荐系统在实际操作中，融合了人工与机器的智能，以协同方式管理风险。人工运营团队与治理体系共同为算法提供指导，确保算法运行方向的准确性。抖音采用的多目标体系算法，旨在打破“信息茧房”现象，为用户提供更多样化、实用且可靠的推荐内容。
在算法技术层面，抖音应用了包括Wide&Deep模型和双塔召回模型在内的深度学习算法。Wide&Deep模型解决了传统协同过滤算法可能导致的信息单一和泛化能力不足的问题，而双塔召回模型则在推荐内容的召回阶段展现出更优的效果。
抖音的推荐算法基于人工智能的机器学习和深度学习构建，其本质是通过数学模型运算，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。这一算法的核心逻辑可以概括为“推荐优先级公式”，即综合预测用户行为概率与行为价值权重，从而确定视频的推荐优先级。
为了计算推荐优先级，算法模型需要输入内容和用户两端的数据，其中用户行为数据是主要的学习对象。结合用户行为和视频本身的价值权重，算法能够计算出视频推荐的价值分数，并将得分最高的视频推送给用户。
抖音表示，其价值模型旨在实现内容创作者、用户、作者以及平台之间的多方共赢。通过不断调整算法参数，对各种价值进行加权处理，抖音已经实现了“分钟级”的实时反馈更新，进一步提升了用户体验和内容推荐的精准度。
随着抖音用户群体的多样化和内容风格的多元化，推荐算法也在不断进化。从最初只关注单一或少量目标，到如今发展出复杂的多目标体系，抖音的推荐算法能够更好地预估用户行为。例如，将收藏率纳入多目标体系，有助于将知识类内容推送给有需求的用户；增强组合目标，如“收藏+回访”、“关注+追更”等，能够预估用户的长期行为，满足用户的长期需求；设置探索类指标，帮助用户发现潜在需求，打破信息茧房；同时，设置原创性目标，鼓励推荐优质、新颖且具独特价值的内容。
早在3月30日，抖音就已上线了“抖音安全与信任中心”网站，首次向公众公开其推荐算法原理，介绍了如何通过多目标建模等方式实现更优质、丰富的内容推荐，并强调算法需受到平台治理体系的约束和规范。
