企业官网建设流程全解析

推荐算法技术解析：从抖音内容分发到广告竞价的架构原理与工程实践

一、引言

打开抖音，连续看完几条露营视频，接下来可能出现帐篷搭建教程，也可能出现户外装备广告。表面上，系统似乎只做了一件事：发现你喜欢露营。但教程和广告出现在屏幕上的理由并不完全相同。前者需要估计内容是否值得看，后者还要考虑广告主的目标、预算、出价和转化机会。

推荐算法的核心任务，是在有限的展示位置和计算时间内，决定把什么内容展示给谁，并从后续反馈中修正判断。用户兴趣只是输入的一部分；内容供给、展示环境、业务目标和可执行约束共同决定结果。

抖音官方的算法说明介绍了召回、多轮排序、双塔模型和行为预测，也明确指出，页面中的语义标签是为了便于理解而作的简化。[1] 因而，“给用户贴几个标签，再找标签相同的视频”只能帮助入门，无法解释现代推荐系统的全部工作。

资料口径：截至 2026-09-12。平台事实依据官方说明或原始论文；历史论文用于解释技术演进，不代表对应平台当前全部实现。本文给出的架构、权重、候选数量和算例均为教学设计，不能用于反推抖音内部参数，也不承诺任何固定流量。

亲爱的朋友们，创作不容易，若对您有帮助的话，请点赞收藏加关注哦，您的关注是我持续创作的动力，谢谢大家！有问题请私信或联系邮箱：jasonai.fn@gmail.com

二、技术演进：从相似用户到行为序列

2.1 协同过滤为何成为起点

假设甲和乙都看过相同的登山视频，甲又收藏了一条路线攻略，系统便有理由把攻略推荐给乙。协同过滤利用用户与内容之间的行为关系，不要求先理解视频讲了什么。用户协同关注“谁与我相似”，物品协同关注“哪些内容经常被同一群人消费”。

难点在于，行为记录的含义并不统一。买过商品可能表示喜欢，也可能只是替别人购买；没看过视频可能源于没有机会看到。Hu、Koren 与 Volinsky 的隐式反馈研究把偏好与置信程度分开建模，说明行为次数应影响证据强弱，而不能直接当作显式评分。[2]

潜在因子模型进一步把用户和内容表示为短向量，以向量交互估计匹配程度。这样既能压缩稀疏的行为关系，也能发现人工分类之外的关联。不过，新内容缺少交互历史、兴趣突然变化，都会使纯行为方法遇到困难。内容特征与上下文因此逐渐进入模型。

2.2 深度学习带来的两项变化

第一项变化是自动学习特征组合。2016 年的 Wide & Deep 将线性部分与深度网络联合训练：前者保留容易记住的组合关系，后者通过嵌入表示推广到较少见的组合。[3] 可以把它理解为同时利用“过去确实发生过什么”和“相似情况下可能发生什么”。

第二项变化是将检索与精细判断分开。Google 在 2016 年的 YouTube 论文中描述了候选生成与排序两个阶段。[4] 原因很实际：复杂模型对少量候选做判断可行，对整个内容库逐条判断则成本过高。之后即使模型不断变化，分阶段分配计算资源的思想仍然值得借鉴。

2.3 从固定兴趣到随候选变化的兴趣

同一个人既看育儿内容，也看汽车测评。判断儿童座椅广告时，近期育儿行为可能更相关；判断汽车保养内容时，车辆相关行为又更有价值。将全部历史压成一个固定向量，容易把这些区别平均掉。

DIN 论文于 2017 年提交，其局部激活单元根据候选广告，对历史行为学习不同的关联强度。[5] 这一思路解释了为什么“用户画像”不能只是静态标签表：画像的有效表达还取决于当前要评估的候选对象。顺序、时间间隔和行为类型也可以成为进一步建模的依据。

2.4 实时性逐渐成为模型的一部分

用户刚开始研究露营，昨天训练的长期兴趣表示可能仍偏向办公室软件。2022 年字节跳动的 Monolith 论文讨论了在线训练、无冲突嵌入表，以及频率过滤、过期清理等机制，并报告其落地于 BytePlus Recommend。[6] 这证明了相关工程路线的公开存在，不能据此认定它就是抖音完整推荐系统。

这些路线往往共同工作。一次请求可以同时使用物品协同召回、向量召回、序列排序和规则过滤。技术演进的主线，是不断补上旧方法遗漏的信息，同时把计算费用控制在系统能承担的范围内。

三、核心架构：一条视频如何经过层层筛选

3.1 先把反馈定义清楚

推荐系统首先需要知道内容是否真正被看见。服务端下发了十条视频，不代表用户看到了十条；预加载成功也不等于有效曝光。如果把尚未进入屏幕的内容记为“不喜欢”，训练数据就会系统性失真。

快速划走可以作为反馈，却不能脱离场景解释：用户可能不感兴趣，也可能遇到卡顿。一次收藏对学习教程和搞笑短片的含义也不同。工程上应保留原始事件及上下文，再定义标签，避免在采集时就把复杂行为压成一个“喜欢分”。

3.2 多路召回：先保证有机会被比较

召回负责从内容库里选出可进一步计算的候选。下图是通用教学架构，阶段划分和数量仅用于说明计算如何收缩，未声称对应任何平台的实际配置。

离线与流式数据 ├── 内容处理 → 内容特征、向量索引、可推荐状态 └── 行为处理 → 用户特征、历史序列、训练样本 │ 推荐请求 → 读取上下文与实时特征 │ 多路召回：协同行为 / 双塔 / 新内容 / 热门 │ 合并去重与资格过滤 例如 3000 条 │ 粗排：低成本筛选 例如 300 条 │ 精排：多目标行为预测 例如 50 条 │ 重排：多样性、频次、列表约束 │ 返回列表 → 实际曝光与反馈 → 特征更新与训练 广告支路：投放资格 → 广告召回与预估 → 竞价与预算检查 │ 经广告位策略参与列表组装

双塔把用户侧信息编码为向量q qq，把内容侧信息编码为向量v vv，一种常见匹配函数是点积s = q ⊤ v s=q^\top vs=q⊤v。内容向量可以预先计算并建立近似最近邻索引，请求到来时只计算用户向量，再快速检索候选。相似度度量与训练目标需要配套，点积不能一概等同于余弦相似度。

“露营”不必占据向量中某个可解释的固定位置。向量表示可以从行为监督和内容信息中共同学习；抖音官方页面也把双塔列为其高效召回的主力模型之一。[1] 双塔的效率来自两侧可独立编码，代价是复杂交互受到限制，因此召回相似度通常不直接作为最终展示分数。

多路召回则防止候选来源过窄。近期互动召回能跟上当前兴趣，长期兴趣召回能保留稳定偏好，新内容通路提供学习机会。合并时还需要去重和管理各路配额，否则多个通路都找到同一批热门内容，看似候选很多，实际覆盖范围依然很小。

3.3 粗排与精排：把算力花在更值得判断的候选上

粗排可以使用较少特征和较轻模型，精排再计算候选与用户历史的复杂交互。精排通常输出多个量：有效观看概率、预期观看时长、收藏概率、负反馈概率等。这里预测的是“这次展示后的行为”，不能直接拿视频累计点赞数代替。

召回与排序必须分别检查。好视频没有被召回，精排再准确也无从选择；粗排提前误删重要候选，后面更大的模型同样无法补救。因此要衡量每个阶段保留了多少有价值内容，也要关注最终体验，不能只优化最后一个模型。

3.4 重排：从单条好内容到整份好列表

十条相似视频分别打分都很高，连着播放却可能令人厌烦。重排评估的是内容放在一起后的效果，可以限制同作者重复、降低近似内容密度，并为探索留出位置。

硬约束与软偏好要明确区分。已下架内容不能依靠“扣一点分”处理；多样性则可以在相关性与重复度之间调整。实际系统还需要在多个阶段检查资格，因为内容状态、库存和广告预算都可能在请求处理期间变化。

四、内容与广告：相似的预测任务，不同的价值计算

4.1 内容推荐为什么不能只看完播率

十秒视频看完九秒，观看比例很高；十分钟教程看了六分钟，观看比例较低，却可能提供更多价值。只优化完播率，容易偏向短内容；只优化绝对时长，又可能鼓励拖长表达。标签必须结合视频长度、内容类型和用户体验解释。

YouTube 在 2021 年的官方说明中列出观看时长、满意度调查和互动等信号，并介绍通过调查估计用户认为有价值的观看体验。[7] 这提供了一个明确的行业案例：停留时间需要与满意程度一起理解。

用于讲解的内容评分可以写成：

S c o n t e n t = α p s a t i s f a c t i o n + β p e f f e c t i v e _ v i e w + γ p s a v e − δ p n e g a t i v e S_{content}=\alpha p_{satisfaction}+\beta p_{effective\_view} +\gamma p_{save}-\delta p_{negative}Scontent​=αpsatisfaction​+βpeffective_view​+γpsave​−δpnegative​

这里的概率都以本次用户、候选和上下文为条件，权重是业务设计变量，不是抖音公开公式。若加入秒数或金额，需要先处理尺度差异；不能把几十秒时长和零点几的概率直接相加，再把结果称为合理的综合价值。

4.2 广告预估如何连接点击与转化

设x xx表示一次候选曝光的上下文，C CC表示点击，V VV表示规定窗口内的点击后转化，则：

p C T R = P ( C = 1 ∣ x ) , p C V R = P ( V = 1 ∣ C = 1 , x ) pCTR=P(C=1\mid x),\qquad pCVR=P(V=1\mid C=1,x)pCTR=P(C=1∣x),pCVR=P(V=1∣C=1,x)

p C T C V R = P ( C = 1 , V = 1 ∣ x ) = p C T R × p C V R pCTCVR=P(C=1,V=1\mid x)=pCTR\times pCVRpCTCVR=P(C=1,V=1∣x)=pCTR×pCVR

两者相乘依据的是条件概率链式法则，不要求点击与转化独立。这个定义适用于点击后转化路径；浏览后转化等归因方式需要另行定义事件，不能直接套用。

2018 年的 ESMM 用全部曝光样本联合训练点击任务和“点击且转化”任务，以两个预测分支的乘积构成后者输出，并共享嵌入表示。[8] 它应对只在点击样本上训练所带来的问题。这个“全部”指观测到的曝光空间，不包含从未展示的全部用户与内容组合，也不意味着所有选择偏差自动消失。

4.3 排序价值、优化目标与扣费方式要分开

TikTok 广告帮助文档说明，竞价考虑出价与广告对用户的相关性，并区分 CPM、CPC、CPV、oCPM 等方式。[9] TikTok 与抖音是不同产品，这里引用其公开机制作为广告系统案例，不能视为巨量引擎的具体结算规则。

假设用目标 CPA 近似表示单次转化愿意支付的价值，可以做如下教学换算：

在这个简化算例里，B 的点击率与目标 CPA 都更低，换算价值却更高。但表中数值不是实际成交 CPM，也不是最终扣费公式。真实系统还要考虑质量、预算、成本控制和竞争环境，不能由排序分数直接推导账单，更不能假定所有平台都采用同一种拍卖规则。

4.4 广告进入信息流，还要通过额外约束

预算控制决定一段时间内如何分配投放机会，频次控制减少同一用户反复看到同一广告的情况，广告负载控制则管理信息流中的广告密度。如果内容分数表示满意度、广告分数表示金额，两者不能未经转换直接混排。

一种通用设计是先确定可用广告位置，再在约束下比较候选；另一种是建立经过实验校准的统一效用模型。无论哪种方式，都应保留广告标识，并把广告主效果、用户负反馈与长期访问情况同时纳入评价。

五、工程实践：把预测模型接到真实业务

5.1 训练样本必须还原决策发生的时刻

一条样本应关联请求、实际曝光及后续反馈。特征则必须来自曝光当时已经可用的信息。如果拿视频一天后的累计点赞数，去预测它早晨刚发布时的观看效果，模型已经提前知道了未来。这种时间泄漏会让离线结果很好看，上线却失效。

推荐团队需要同时管理事件发生时间和事件到达时间。补传日志、重复上报、跨设备行为都可能改变样本关联结果；去重与时间窗口应成为明确的数据规则。对于转化任务，窗口未成熟的“暂时没买”不能随意视为最终负例。

Google 的延迟反馈研究讨论了按不同延迟区间构造标签、使用成熟标签训练等方法。[10] 实际项目可以先采用清楚的等待窗口与回补规则，再评估更复杂的延迟建模。过度追求模型更新速度，却不断喂入未成熟负例，可能损害转化预测。

5.2 用一个可运行示例看清三个步骤

下面使用 Python 标准库和合成预测值，演示内容评分、同作者去重，以及广告转化价值换算。示例中的概率由人工给定，所有权重均为教学参数；它不包含模型训练、近似检索、拍卖结算或真实投放能力。

# Python 3：合成数据上的策略演示videos=[# 内容、作者、满意概率、有效观看概率、负反馈概率("v1","author_a",0.90,0.60,0.02),("v2","author_a",0.80,0.65,0.01),("v3","author_b",0.78,0.50,0.01),]defcontent_score(row):_,_,p_satisfied,p_watch,p_negative=rowreturn0.7*p_satisfied+0.3*p_watch-0.5*p_negative ranked=sorted(videos,key=content_score,reverse=True)selected,authors=[],set()forrowinranked:video_id,author=row[:2]ifauthorinauthors:continueselected.append(video_id)authors.add(author)iflen(selected)==2:breakads=[# 广告、pCTR、点击后 pCVR、目标 CPA、是否具有投放资格("A",0.08,0.01,50.0,True),("B",0.04,0.04,40.0,True),("C",0.10,0.05,100.0,False),]ad_values=[(ad_id,round(1000*pctr*pcvr*target_cpa,2))forad_id,pctr,pcvr,target_cpa,eligibleinadsifeligible]ad_values.sort(key=lambdapair:pair[1],reverse=True)print("内容列表:",selected)print("广告价值换算:",ad_values)# 内容列表: ['v1', 'v3']# 广告价值换算: [('B', 64.0), ('A', 40.0)]

这个结果说明了不同层次的决策。v2 的单条得分高于 v3，但作者重复约束让 v3 获得位置；广告 C 的换算值很高，却因资格条件不满足而被过滤；B 在可用广告中获得更高换算值。两份结果仍然分开，因为内容效用与货币价值尚未建立可比较的尺度。

示例对每个作者只保留一条，是为了让效果容易观察。真实产品需要按列表长度、作者供给和用户偏好制定频次策略，还必须处理候选不足的情况。不能把这段演示里的固定限制直接解释为平台现行规则。

5.3 用户特征更新与模型训练是两件事

用户刚看完一条露营视频，可以立刻把事件加入近期历史，使下一次请求使用新的序列；这并不要求神经网络参数同时更新。在线训练则进一步用新样本更新参数。两者都能提高响应速度，但工程成本和故障范围不同。

项目初期可以先更新会话特征，配合定期训练。只有确认模型参数陈旧已成为主要瓶颈，再引入更频繁训练。对秒级兴趣变化而言，读取及时的行为序列，可能比盲目提高全量模型训练频率更直接。

5.4 故障时怎样仍然给出可用结果

延迟应观察 P95、P99 等尾部情况：P99 表示约 99% 请求不超过的延迟水平。平均值正常，仍可能有一部分用户持续等待。模型、特征定义和索引版本也要协调发布，否则两侧向量来自不同版本，检索结果可能在服务不报错的情况下悄悄变差。

六、横向对比：不同产品为什么形成不同技术重点

6.1 先比较用户任务，再比较模型名称

下表依据公开材料比较四种代表场景。技术依据对应资料发布时的设计；“工程重点”是本文结合业务约束作出的分析，不是对各平台当前内部架构的完整描述。

抖音这类连续播放场景，为用户提供了低操作成本的发现方式。由此推导出的工程要求是：系统既要敏感地接收近期反馈，也要避免把几次连续观看误判为永久偏好。对于创作者，值得关注的是哪些观众在什么情境下持续受益，而非把所有用户的互动数混成一个质量结论。

YouTube 的公开资料展示了另一项约束：点击进入视频以后，是否觉得值得花时间，仍需继续判断。[7] 如果用户选择的是一节长课程，观看与回访可能跨越多个会话。产品设计应能区分偶然打开、认真学习和习惯性播放，否则同一个时长标签会混入不同意图。

6.2 电商与广告更依赖后续结果

在电商场景里，点击之后还有比较、下单与履约。用户频繁看相机，既可能准备购买，也可能只是研究摄影。购买一台相机后，其需求还可能转向镜头或配件。因此，兴趣建模与转化预估承担不同任务，不能认为“更喜欢看”就等于“更愿意买”。

Meta 于 2024 年公开的 Andromeda 重点讨论广告检索，包括模型、索引以及软硬件协同设计。[11] 它提示一个容易忽略的问题：当候选广告不断增加，只扩大最后阶段的排序模型，无法自动解决前面漏掉优质广告的问题。召回覆盖与计算效率同样决定最终效果。

平台之间也不适合直接按论文提升百分比排名。各自的样本、基线、业务目标和实验流量不同，提升数字没有共同分母。对自己的业务，更有价值的比较是：哪个环节正在损失用户价值，现有资料中的哪种方法能解决这个具体问题。

七、落地方法：如何证明推荐系统确实变好了

7.1 从可信基线开始，按瓶颈升级

小型内容产品可以先建立热门、时效和简单行为召回，配合可解释的排序基线。数据足以支撑个性化后，再增加双塔与复杂排序。这里的分界应由真实曝光量、内容更新速度、实验结果和团队维护能力决定，没有适用于所有业务的用户量门槛。

每次升级都要回答明确的问题：候选覆盖不足，就检查召回；顺序判断不准，就改进排序；用户连续收到重复内容，就检查列表策略；转化预估失真，就先排查标签、归因和概率校准。把问题描述为“模型不够大”，通常还不够具体。

7.2 离线指标与在线效果各自负责什么

假设两种模型给候选的相对顺序一样，其中一种却把购买概率整体放大一倍，它们可能获得相同的 AUC，但广告价值计算会明显不同。因此，广告系统必须关心概率校准。若训练时大量抽样删除负例，也应处理采样造成的分布变化，不能把训练集上的输出直接当作真实概率。

验证集应按时间构建，并保留请求时的特征状态。线上实验宜按合适的单位稳定分组，预先确定主指标、护栏指标和观察窗口，同时报告不确定性。不能因为一天点击率上涨就结束实验，也不能只挑上涨的分群。广告预算共享和内容竞争还可能使实验组之间相互影响，需要在实验设计中检查。

7.3 推荐会改变数据，所以必须保留探索

一个视频越被展示，越容易得到新互动；只学习已曝光数据，系统可能把自己先前的选择误当作客观偏好。新作者因此难以积累证据，热门内容则不断获得更多训练样本。

有关推荐去偏的原始研究将曝光选择纳入学习和评估，提供了逆倾向加权等方法的依据。[12] 使用这类估计需要对曝光概率作出合理假设，并保证必要的覆盖；概率太小还会引起高方差。它们不能凭空恢复从未获得展示机会的内容效果。

工程上可以在明确约束下开展随机探索，或用上下文赌博机在已知收益与不确定性之间分配机会。探索比例应由实验决定，不能把网络流传的固定“流量池级别”“点赞权重”当作平台通用规律。本文引用的资料不足以支持这些数值承诺。

7.4 长期价值需要可执行的产品约束

多样性并非随意塞入无关内容，而是在相关性基础上增加作者、主题和观点的覆盖。对于“不感兴趣”等明确反馈，产品应提供有效的控制途径。收藏、停留和评论也不应被一律解释为赞同，尤其是争议内容，互动强度可能与体验质量相反。

数据使用方面，建议明确采集目的、访问范围和保留期限，并让删除与撤回能够传递到相关特征及数据流程。广告评价则应区分归因转化与增量转化：用户看过广告后购买，不足以证明购买由广告造成；可以通过适当的随机对照或保留组实验评估新增效果。

7.5 生成式推荐带来了什么新方向

2024 年的 HSTU 论文把推荐重构为生成式建模框架中的序列转换问题，为学习大规模行为序列提供了新的架构路线。[13] 这里的“生成式”不等于让聊天模型随口输出商品名称，也不意味着检索、过滤和商业约束自然消失。

结合前文的工程问题，可以推导出两条值得验证的路径：用更好的内容表示帮助新内容进入候选，用更强的序列模型理解兴趣变化。是否采用这些方法，应比较实际质量收益、响应时间和维护成本。能可靠地解释失败发生在哪一层，仍然是升级模型的前提。

八、总结

推荐系统的发展，逐步把共同消费行为、内容特征、候选相关兴趣和实时反馈纳入决策。抖音内容分发与广告推荐共享不少预测工具，却需要处理不同的价值定义：前者要判断观看是否有益，后者还要在预算与竞争中评估广告机会。

横向看，不同平台的差异首先来自用户任务和反馈条件；纵向看，模型演进反复解决的仍是证据不完整、反馈变化和计算受限。这两条线索交汇后，可以得到一个实用判断：推荐系统的能力，取决于它能否把真实反馈转化为准确、及时、可验证的决策。

对工程师而言，优先把曝光、特征、训练与实验连到同一套可检查的记录上；对内容创作者而言，用观众是否获得价值来解释数据；对广告主而言，同时理解目标成本、转化质量和增量效果。只有这样，模型给出的高分才有机会转化为持续的业务收益。

下一代推荐可能拥有更强的序列建模和内容理解能力，但新的表示方法也需要清楚的反馈定义。更快捕捉兴趣变化、为未知内容提供学习机会、允许用户表达和修正偏好，应与预测精度一起成为系统设计的目标。

参考资料：

1. 什么是推荐系统 — 抖音
2. Collaborative Filtering for Implicit Feedback Datasets
3. Wide & Deep Learning for Recommender Systems — Google Research
4. Deep Neural Networks for YouTube Recommendations — Google Research
5. Deep Interest Network for Click-Through Rate Prediction
6. Monolith: Real Time Recommendation System With Collisionless Embedding Table
7. On YouTube’s Recommendation System — YouTube Blog
8. Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate
9. Available Bidding Methods — TikTok Ads Manager
10. Handling Many Conversions per Click in Modeling Delayed Feedback — Google Research
11. Meta Andromeda: Supercharging Advantage+ Automation with the Next-Gen Personalized Ads Retrieval Engine — Engineering at Meta
12. Recommendations as Treatments: Debiasing Learning and Evaluation
13. Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations

时效性说明：本文截至 2026-09-12 核对所列公开资料。论文和工程文章中的设计按其原始发布背景解读，不代表平台在撰写日的完整生产配置。文中未进行平台性能复现；候选数量、评分权重、广告价值及 Python 数据均为教学示例。具体投放产品的可用功能、归因与计费规则，以对应产品当时的官方说明为准。