近日，抖音安全与信任中心网站上线，并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。

抖音在2016年上线，恰逢推荐算法开始进入深度学习时代，抖音所应用的推荐算法也是深度学习算法的一种。据了解，抖音推荐算法主力模型包括Wide&Deep模型等。

在2025中国网络媒体论坛上，抖音总裁韩尚佑在会上表示，很多人对推荐算法技术存在误解，认为算法是给内容打上对应标签，再通过给用户打上对应的属性，最后通过数据运算，把对应标签的内容，推荐给有对应属性的用户。

但随着机器学习技术的发展，抖音的推荐系统已经几乎不依赖对内容或者用户打标签，而是通过一系列神经网络计算，直接预估每一个用户对每一个内容的目标行为，比如点赞、关注、分享、评论的概率，并挑选出概率最大的一部分内容，推荐给用户。这意味着，算法无需理解内容类型或语义，就能直接预测用户行为。

针对“推荐只预估行为动作”，抖音在安全与信任中心网站上也作出了解释：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。

抖音指出，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。其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。

那么抖音推荐算法如何预估用户动作率？抖音安全与信任中心网站也分享了其具体步骤，首先是算法学习，即学习用户行为数据，其中既有实时的新数据，也有用户历史行为的数据；其次是概率模型预测，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；接着是价值模型评估，通过价值模型，抖音会对用户的互动行为进行价值计算，并通过不断调整参数，对各类价值进行加权，综合考虑多个因素来评估候选内容的价值；最后是动态调整，通过实现“分钟级”实时反馈更新，助力算法更精准地预判用户行为。

为了引导推荐系统分发更加丰富多元的信息，抖音建设和平衡了“收藏”等100多个不同目标，解决单一目标下系统容易重复推相似内容的问题。抖音的算法里设置了专门的探索流量，帮助用户持续拓展兴趣内容。抖音还加强了推荐系统中对搜索行为的应用，让系统更实时地根据用户搜索兴趣进行调整。抖音还优化了“不感兴趣”“设置屏蔽词”等功能，实现用户对算法的调控。