我们在刷手机手机也在刷我们。每天数千万用户上传海量视频到抖音面对如此庞大的内容池抖音如何做到千人千面——让每个人刷到的内容都精准命中自己的兴趣答案藏在一条精密的算法流水线中。本文将从 用户画像、 多模态解构和 推荐漏斗三个层面带你理解抖音推荐系统背后的技术逻辑。一、 用户画像用向量刻画一个人推荐系统的第一步是理解你是谁。抖音为每个用户构建了一套用户画像它不是一个简单的标签列表而是一个高维数学对象—— 向量Vector。每个用户被表示为一个512 维的浮点数数组每一维代表一个兴趣方向的强度[0.85,// 科技0.05,// 幽默0.03,// 英语// ... 共 512 个维度] 这个向量是怎么来的它来自你的每一次行为你在哪个视频上多停留了 1 秒、你点赞了什么、你评论了什么、你快速划走了什么。每一条行为数据都在悄悄地更新这个向量让你越来越被算法看透。同理每一个视频也被表示为一个512 维向量。当你刷抖音时本质上就是你的用户向量与海量视频向量在做 相似度运算——最经典的方式是余弦相似度Cosine Similarity即计算两个向量夹角的余弦值值越接近 1代表你和这个视频越投缘。二、 第一步多模态解构——让机器看懂视频要让机器判断一个视频是否适合你首先得让机器理解视频的内容。抖音采用多模态Multi-modal技术同时从四个维度解构一段视频最终将其融合为一个 512 维向量。 多模态是当前大语言模型LLM的主要发展方向抖音正是这一技术在大规模工业场景中的典型应用。2.1 ️ 视觉特征逐帧看画面抖音使用Vision TransformerViT作为底层模型对视频逐帧提取视觉特征生成张量Tensor表示。它能识别出 这是一只猫‍ 这是一个程序员在写代码⚽ 这是一群室友围着看世界杯。更进一步它还能通过画面的色彩分布、光影对比判断视频的情绪基调——是 温暖治愈的暖色调还是 ⚙️ 冷酷硬核的暗色系。视觉特征是抖音数据量最大的处理环节背后依赖海量的机器学习训练和大数据计算。2.2 音频特征听懂声音里的情绪音频维度的处理包含几个层次️ASR自动语音识别将语音转换为文本再通过NLP自然语言处理做语义分析理解说了什么。声学特征分析提取声音的音量、语速、音调、情绪等特征——同样是说话激昂的演讲和轻柔的独白传达的信息完全不同。音乐识别依托字节跳动收购的 Musical.ly 积累的音乐训练数据识别背景音乐的曲风、节奏、流行度。2.3 文本特征理解写了什么视频的标题、字幕、评论区热词等文本信息通过 NLP 技术被转换为向量表示。语义分析模型从中提取话题关键词、情感倾向、信息密度等特征。2.4 ️ 图片特征封面和关键帧视频封面和关键帧图片同样经过图像识别模型处理提取内容标签和美学特征作为向量中的补充维度。 最终输出以上四个模态的特征被融合最终形成一个统一的 512 维向量——这就是机器对这个视频的全部理解也是下一步推荐漏斗的输入。三、 第二步推荐漏斗——从 1000 万到 10 条的四层筛选有了用户向量和视频向量接下来就是从千万级候选池中筛选出你屏幕上那短短几十条视频的过程。抖音采用经典的漏斗架构逐层收窄兼顾效率与精度。 1000 万条视频 ↓ 召回Recall 1000 条 ↓ ⚡ 粗排Pre-Ranking 300 条 ↓ 精排Ranking 分数排序 ↓ 重排Re-Ranking ✨ 最终 10~20 条3.1 ️ 双塔模型与召回漏斗的第一层叫召回Recall目标是从千万级候选池快速筛选出约1000 条候选视频。这里使用经典的双塔模型Two-Tower ModelUser Tower用户塔将用户画像编码为向量。Item Tower物品塔将视频特征编码为向量。召回阶段的核心操作是向量点积运算和余弦相似度计算——在巨大的向量空间中找到与用户向量最近的那些视频向量。这一步要求极致的速度通常借助向量检索引擎如 Faiss 来实现毫秒级响应。3.2 ⚡ 粗排轻量模型的快速过滤经过召回得到 1000 条候选后进入粗排Pre-Ranking阶段。这里使用相对轻量的机器学习模型计算一些粗粒度的内部特征将候选集从 1000 条缩减到约300 条。 粗排的意义在于性价比——精排模型虽然精准但计算成本高昂不能对 1000 条视频都跑一遍。粗排用小模型先做一轮快速筛选把明显不合适的淘汰掉。3.3 精排多目标优化模型精排是漏斗中最聪明的一环。它对粗排输出的 300 条候选视频逐一预测用户的多项行为概率点击率CTR你会不会点进去✅完播率你会不会把视频看完❤️点赞概率评论概率分享概率最终每个视频得到一个综合分数Score w₁ × 点击率 w₂ × 完播率 w₃ × 点赞率 w₄ × 评论率 w₅ × 分享率各权重通过海量用户行为数据训练得到目标是最大化用户停留时长和互动深度。3.4 重排打破信息茧房的艺术如果算法只按分数排序你可能会连续刷到 10 条同类型的 AI 视频——这虽然精准却容易让人产生审美疲劳 。重排Re-Ranking机制就是为了解决这个问题打散策略每两个硬核内容之间强制插入一条不同类型的视频比如一段舞蹈 打破内容同质化。探索与利用Explore Exploit80%的内容来自你已知的兴趣利用 20%的内容用于探索潜在的新兴趣探索 。如果你在一条野外求生 ️ 视频上多停留了 1 秒——一个全新的兴趣标签就被悄悄记录了下来。这种机制保证了推荐既精准又不窄让你在舒适区和新鲜感之间保持平衡。四、 总结抖音推荐算法的本质可以浓缩为三句话一切皆向量无论是用户还是视频最终都被抽象成高维空间中的一个点。相似即推荐你喜欢什么就给你推什么——通过向量之间的余弦相似度来度量喜欢。⚖️探索与利用并重既满足已知偏好也留出 20% 的空间探索未知——在让你上瘾的同时不断拓展你的兴趣边界。这一切的背后是 ️ 巨量的算力支撑、 大规模机器学习训练和 多模态 AI 模型在工业级的落地实践。你每划走一条视频、每多停留的 1 秒都在为这个庞大系统提供新的训练数据—— 你在刷抖音抖音也在算你。