“Tiktok的推荐系统”的版本间的差异
来自China Digital Space
小 （文本替换 - 替换“Category:网络视频”为“分类: 影视馆”） |
小 （文本替换 - 替换“Category”为“分类”） |
||
| 第65行： | 第65行： | ||
############################################################################################# | ############################################################################################# | ||
--> | --> | ||
| − | [[ | + | [[分类:真理馆]][[分类: 影视馆]][[分类:媒体审查]] |
| − | [[ | + | [[分类:影视馆]] |
2023年8月7日 (一) 05:02的版本
针对美国政府拟对TikTok的封杀，TikTok也在美国官网公布了推荐系统的工作细节（https://newsroom.tiktok.com/en-us/how-tiktok-recommends-videos-for-you/），以解决公众对抖音隐私政策的担忧。因为早前印度已经封杀了中国系app：包括头条系TikTok产品。这个封杀给头条带来了巨大的日活下滑（印度市场占比约30%）。而在美国TikTok用户在全球下载量排行也占据了8%。
基于维度因子给视频打分：
基于推荐系统，给用户展示出用户更可能喜欢的短视频，也过滤掉用户不喜欢的内容。tiktok正是基于以下维度对视频进行打分，打分高的优先展示给用户。
用户操作习惯：点赞视频、分享视频、发评论、关注感兴趣的号、创建视频、重播视频次数
视频属性：标题、音频、标签
设备与账户设置：语言和国家码、设备型号（以展示更好的性能）
基于以上属性，再加上一些埋点交互数据：比如说用户看完视频比部分观看说明用户对视频更有喜好。还有视频观看者和创建者是否来自于同一国家，来自同一国家的视频获得更高的打分。创作者是否以往创建过高质量视频和当下创作的视频收到的鲜花数这些都是推荐系统的输入参数。
推荐系统的工作流程：
初始化新用户，建议用户选择喜好的频道/主题，以过滤掉用户大概没兴趣的频道
如果用户没有选择偏好频道，那么推荐公众热门的作品，基于用户对这些视频的互动：点赞分享、重放次数、评论等，做出进一步推荐，经过反复多次迭代，改善推荐流。
当关注新的号，用户在发现页会得到更多热门趋势视频/同类型标签的/相似音频的视频
用户在视频发动时，也可以点击“不感兴趣”，这些是推荐系统过滤掉用户流的关键，也可以手动输入一些想忽略的视频标签
避免视频feed流同质化，使得用户关注变得过于单一，这是推荐系统的迭代更新的重要目标
有时候你可能创建新的跟以前不是同一类型的视频，这些参考因素都是推荐系统给与进一步你可能感兴趣主题、可能会关注的作者。探索新的是使得用户在全球可以看到最真实的热门趋势视频。
趋于同质化和探索新的是一个对立矛盾点，推荐系统正在这两个方面找寻一个平衡点，让用户看到更多视频以及探索发现更多可能。
安全审计系统：推荐系统有审核机制，基于视频的审核以过滤掉单纯为了骗取点击量的内容作品，这些作品不会推荐给用户。
Tiktok也表面位于洛杉矶的 TikTok Transparency Center也将邀请专家来审阅推荐系统源码，以进一步展示出透明度，和避免用户更多的隐私担忧。
不过专家指出，虽然字节跳动公司认为其智能算法取胜，但实际上是靠大量廉价的审查系统来进行推荐。
