抖音算法原理公开：通过神经网络计算预估用户行为
近日，在抖音“安全与信任中心开放日”现场，抖音公开了算法原理。据抖音算法工程师刘畅介绍，抖音的推荐算法与国内外大部分内容推荐平台相似，包含召回、过滤、排序等环节，重点在于对用户行为的学习。
此前，抖音总裁韩尚佑在2025中国网络媒体论坛上宣布，“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。网站首次公开抖音推荐算法原理，介绍其推荐算法如何预估用户行为概率，并通过多目标建模等方式实现更优质、丰富的内容推荐。
据介绍，抖音应用的深度学习算法包括Wide&Deep模型、双塔召回模型等。前者可解决协同过滤算法容易造成信息单一、泛化不足的问题;后者在召回环节提供更好的推荐效果。此前，抖音安全与信任中心网站已上线试运行。
基于人工智能机器学习和深度学习构建的推荐算法，其本质是数学模型的运算过程，只是在建立用户行为与内容特征之间的数学统计关联，而非理解内容本身。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。
针对抖音算法可能会造成的信息茧房问题，《经济参考报》记者在试运行的抖音安全与信任中心网站上看到，抖音的解释是：抖音的实践发现，只推荐单一内容会使用户很快厌倦，导致用户体验与活跃度下降，因此抖音也想打破“信息茧房”。抖音算法在多目标建模体系下，设置了专门的探索维度，通过多样性探索、兴趣探索等目标，引导算法打破“茧房”。
抖音生态运营经理陈丹丹表示，抖音内容治理体系实行“人工参与+机器学习”模式，包含异常感知、标准定义、机器识别、人工研判、风险处置等过程。创作者将内容上传至抖音后，首先会进入机器识别环节。如果内容被识别出含有高危特征，将被直接拦截;若未命中高危特征但模型判断存在问题，则会送至人工审核;若问题概率较低，则会获得基础流量并进入下一环节。