Recentemente, o site Douyin Security and Trust Center foi lançado e divulgou pela primeira vez o princípio do algoritmo de recomendação de Douyin, apresentando como seu algoritmo de recomendação estima a probabilidade do comportamento do usuário e obtém recomendações de conteúdo melhores e mais ricas por meio de modelagem multiobjetivo e outros métodos.
Douyin foi lançado em 2016, o que coincidiu com o algoritmo de recomendação começando a entrar na era do aprendizado profundo. O algoritmo de recomendação usado por Douyin também é um tipo de algoritmo de aprendizado profundo. Entende-se que os principais modelos do algoritmo de recomendação de Douyin incluem modelos Wide & Deep, etc.
No Fórum de Mídia Online da China de 2025, o presidente da Douyin, Han Shangyou, disse na reunião que muitas pessoas têm mal-entendidos sobre a tecnologia de algoritmo de recomendação. Eles acreditam que o algoritmo marca o conteúdo com as tags correspondentes, depois marca os usuários com os atributos correspondentes e, finalmente, usa cálculos de dados para recomendar conteúdo com as tags correspondentes aos usuários com os atributos correspondentes.
No entanto, com o desenvolvimento da tecnologia de aprendizado de máquina, o sistema de recomendação de Douyin quase não depende da rotulagem de conteúdo ou usuários. Em vez disso, ele usa uma série de cálculos de rede neural para estimar diretamente o comportamento alvo de cada usuário para cada conteúdo, como a probabilidade de curtir, seguir, compartilhar e comentar, e seleciona o conteúdo com maior probabilidade de recomendar aos usuários. Isso significa que os algoritmos podem prever diretamente o comportamento do usuário sem compreender o tipo de conteúdo ou a semântica.
Em relação às "recomendações apenas estimam ações comportamentais", Douyin também explicou no site do Security and Trust Center: Quando um usuário abre o Douyin, o algoritmo de recomendação do Douyin pontuará os vídeos candidatos e enviará o vídeo com a pontuação mais alta ao usuário. Os usuários podem fazer diversas interações com os vídeos que veem enquanto assistem, e essas interações refletem o interesse do usuário no vídeo.
Por exemplo, é melhor que o usuário goste do que não goste, terminar é melhor do que não terminar e não desgostar é melhor do que não gostar. Aqui, “terminar de assistir” é uma ação de feedback e “curtir” também é uma ação de feedback. Cada feedback dos usuários sobre os vídeos que assistem tem um valor positivo ou negativo.
Douyin destacou que o modelo de classificação de recomendação de Douyin aprende esse tipo de feedback comportamental. O objetivo do sistema de recomendação é enviar os vídeos com maior valor de feedback aos usuários. A lógica central de seu algoritmo de recomendação pode ser simplificada para a "fórmula de prioridade de recomendação": previsão abrangente da probabilidade de comportamento do usuário × peso do valor de comportamento = prioridade de recomendação de vídeo.
Então, como o algoritmo de recomendação de Douyin estima a taxa de ação do usuário? O site Douyin Security and Trust Center também compartilhou suas etapas específicas. O primeiro é o aprendizado de algoritmos, ou seja, o aprendizado de dados de comportamento do usuário, que inclui novos dados em tempo real e dados históricos de comportamento do usuário. A segunda é a previsão do modelo probabilístico. O algoritmo de recomendação irá prever a probabilidade comportamental do usuário para vídeos candidatos através do modelo de algoritmo; seguido pelo modelo de valor. Avaliação, através do modelo de valor, Douyin calculará o valor do comportamento interativo do usuário, ajustando constantemente os parâmetros, ponderando vários valores e considerando de forma abrangente múltiplos fatores para avaliar o valor do conteúdo candidato; finalmente, o ajuste dinâmico, ao realizar atualizações de feedback em tempo real em “nível minuto”, ajuda o algoritmo a prever o comportamento do usuário com mais precisão.
A fim de orientar o sistema de recomendação para distribuir informações mais ricas e diversificadas, Douyin construiu e equilibrou mais de 100 objetivos diferentes, como "coleção", para resolver o problema de que o sistema tende a recomendar repetidamente conteúdo semelhante sob um único objetivo. O algoritmo de Douyin configurou tráfego de exploração especial para ajudar os usuários a continuar a expandir seu conteúdo de interesse. Douyin também fortaleceu a aplicação do comportamento de pesquisa no sistema de recomendação, permitindo que o sistema se ajuste com base nos interesses de pesquisa do usuário em mais tempo real. Douyin também otimizou funções como “não interessado” e “definir palavras de bloqueio” para permitir que os usuários controlem o algoritmo.