大家好，我是外貿(mào)老司機Allan。如果你剛入門TikTok或是對獨立站和跨境電商感興趣，歡迎關注我，我會持續(xù)分享更多實用的運營干貨。

接下來，我們將深入探討TikTok的推薦系統(tǒng)設計原型。

一、TikTok推薦系統(tǒng)的數(shù)據(jù)特點和設計原型

我們來談談數(shù)據(jù)。TikTok的推薦模型可以描述為用戶對生成內(nèi)容的滿意度的函數(shù)。為了提供這個功能，需要從三個維度輸入數(shù)據(jù)：內(nèi)容數(shù)據(jù)、用戶數(shù)據(jù)和場景數(shù)據(jù)。

1. 內(nèi)容數(shù)據(jù)：TikTok是一個擁有大量用戶生成內(nèi)容的平臺。每種類型的內(nèi)容都有其特征，系統(tǒng)能夠識別和區(qū)分它們以獲得可靠的推薦。

2. 用戶數(shù)據(jù)：包括興趣標簽、職業(yè)、年齡、性別、人口統(tǒng)計等，還包含基于機器學習的客戶聚類的潛在特征。

3. 場景數(shù)據(jù)：根據(jù)使用場景和用戶的偏好變化來跟蹤數(shù)據(jù)，例如用戶在工作、旅行或通勤時喜歡觀看什么類型的視頻。

收集到相關數(shù)據(jù)后，會導出四種關鍵工程特征并將其輸入推薦引擎：

1. 相關性特征：表示內(nèi)容屬性和用戶標簽之間的相關性，包括關鍵字匹配、分類標簽、來源匹配、主題標簽以及用戶和內(nèi)容之間的向量距離等潛在特征。

2. 用戶場景功能：根據(jù)場景數(shù)據(jù)設計，包括地理位置、一天中的時間、事件標簽等。

3. 趨勢特征：基于用戶交互，代表全球趨勢、熱點話題、熱門關鍵詞、趨勢主題等。

4. 協(xié)同特征：基于協(xié)同過濾技術，平衡狹義推薦（偏差）和協(xié)作推薦（泛化）。

該模型通過學習上述特征來預測該內(nèi)容是否適合某個場景中的用戶。除了這些特征，還有其他無形的指標，例如為了維護健康的社區(qū)和生態(tài)系統(tǒng)，TikTok會壓制涉及暴力、詐騙、和失實新聞等內(nèi)容。這需要在可量化的模型目標之外定義邊界控制框架（內(nèi)容審核機制）。推薦目標可以表述為一個經(jīng)典的機器學習問題，然后通過協(xié)同過濾模型、邏輯回歸模型、深度學習等算法求解。除了主要推薦算法，TikTok還需要訓練內(nèi)容分類算法和用戶畫像算法。TikTok使用實時在線訓練協(xié)議來捕獲用戶行為和動作，然后反饋給模型以反映下一個動作。

二、TikTok的推薦工作流程

TikTok從未向公眾或技術社區(qū)透露其核心算法。但基于通過公司發(fā)布的零散信息以及極客使用逆向工程技術發(fā)現(xiàn)的蹤跡，我們可以得出以下結論（免責聲明：這是我的解釋和推斷，可能與TikTok的實際做法有所不同）。推薦工作流程主要包括冷啟動、基于公制的稱重、用戶配置文件放大器以及精品趨勢池等步驟。還有一些特殊情況，如一些Tiktokers的內(nèi)容在發(fā)布數(shù)周后突然獲得巨大的曝光，這可能與TikTok的掘墓人算法有關。也存在流量高峰的限制，如果一個內(nèi)容成功通過了信息流漏斗（雙審核、權重迭代、放大器），創(chuàng)作者的賬號將獲得過多的曝光和用戶互動。但這種高曝光時間窗口很窄，通常持續(xù)一周左右。過了這個時間段，內(nèi)容和賬號的曝光量可能會下降。這主要是因為TikTok想要引入多樣性并消除無意的偏見。

（來源：Allan教你做跨境電商獨立站）