近日，抖音通过“抖音安全与信任中心”网站首次公开了其推荐算法的原理，揭示了推荐系统不仅仅是基于完播率，还涉及复杂的多目标平衡和推荐打分公式。

近日，“抖音安全与信任中心”网站上线。网站面向社会公开抖音算法原理、社区规范、治理体系和用户服务机制。

该网站首次公开抖音推荐算法原理，算法介绍部分包括内容有：从零开始了解推荐系统，用户行为背后的算法推荐逻辑，抖音算法的多目标平衡，平台治理为推荐算法设置“护栏”。

以下是部分推荐算法原理阐述

推荐算法是对用户各种行为概率的综合预估

推荐只预估行为动作

当用户打开抖音时，抖音的推荐算法会给候选视频打分，并把得分最高的视频推送给用户。

用户在观看时可以对看到的视频做出各种互动，这些互动体现了用户对这个视频的感兴趣程度。比如用户点赞比不点赞要好，看完比没看完要好，没有点不喜欢比点不喜欢好。在这里，“看完了”就是一次反馈动作，“点赞”也是一次反馈动作。

用户对观看的视频的每一次反馈，都有正面或者负面的价值。抖音的推荐排序模型学习的也就是这种行为反馈，推荐系统的目标就是把反馈价值最高的视频推给用户。

抖音推荐算法的核心逻辑可以简化为“推荐优先级公式”：综合预测用户行为概率 × 行为价值权重 = 视频推荐优先级。公式展开为：

概率模型预测：抖音推荐算法都预估用户哪些行为

推荐算法会通过算法模型预测用户对候选视频的行为概率（动作率）。结合用户行为和视频本身的价值权重，推算出视频推荐的价值分数，并将综合得出的价值最高的视频推送给用户。

在这个过程中，推荐算法会对用户的一系列行为预估，这些行为包括点赞、关注、收藏、分享、不喜欢、是否点击作者头像、评论区停留时长、长期消费等等。

抖音算法的多目标平衡

推荐算法通过各种“目标”来预估用户行为，为用户推荐内容。但用户的行为动作有很多，不同行为的重要程度会决定算法推荐的优先级。因此，为推荐算法设置合理的目标格外重要。

推荐算法在诞生之初只关注单一或者少量的目标，比如完播、点赞，但随着平台内容和各方需求日益多元化，单一目标已难以满足实际需求，多目标推荐系统成为主流。

多目标推荐系统，核心在于同时建模和优化多种不同的目标函数、以构建更全面平衡的推荐策略。多目标反映了用户、平台或创作者的多样化需求。

通过提升用户体验，让用户喜欢使用产品，是所有推荐系统的天然目标。推荐算法在诞生之初，大多是服务这个目标，比如预测用户观看完内容（即完播率）、点赞的概率。

早期的抖音以15秒短视频为主，在这一阶段中，完播率是推荐算法的核心目标之一，这背后的逻辑是，完播率越高则意味着越多用户喜欢这条视频。

随着抖音的用户愈发多样化，内容风格也日益多元，例如平台上有了越来越多的优质中长视频，完播率等少数目标已经无法满足更多样的需求。因此，通过多目标建模，成为技术上的自然选择。

经过长期发展，抖音已经发展出非常复杂的多目标体系，有效优化了对内容的价值评估。

基于多目标建模，抖音对所有准备推荐给用户的视频进行打分，其公式可以简化为：

由此可以看出，一个视频是否被推出，取决于多种因素。每种因素背后都有着多个目标导向的考量。