01 它是干嘛的
这是抖音的核心技术体系，而不是一个单独对外售卖的产品。它解决的是「海量内容如何匹配海量用户」的问题：每天有海量新视频与海量用户行为，系统必须在几十毫秒内从千万级内容里挑出用户最可能看完的那几十条，并持续根据反馈调整。
02 为什么会有它
2016 年之前：内容靠编辑挑，或者按关注时间倒序
在推荐系统成为主流之前，用户获取内容主要有两种方式：一是编辑人工挑选，首页放什么由少数人决定，覆盖面有限且更新慢；二是按关注或时间排序，你看到的是「你关注的人最近发了什么」，而不是「你此刻最想看什么」。
这两种方式都有明显天花板：好内容可能因为作者没名气而无人问津，用户的兴趣变化也无法被及时捕捉。当内容数量从几万条涨到几千万条，靠人力挑选已经完全不可行。
推荐系统把「分发」交给了算法：它通过你的每一次点击、停留、点赞、划走来推断你的兴趣，再从海量内容里挑出最可能被你喜欢的。抖音真正厉害的是把这个循环做得又快又准——新视频能在几分钟内被验证，好内容能迅速拿到流量。
03 它怎么工作
推荐不是一个模型，而是一条漏斗：先用便宜的方式从千万内容里捞出几千条候选，再用精细的模型排序，最后按体验规则打散与混合，把最终几十条呈现给你。
一次「上滑」背后：候选召回到重排打散的多级漏斗
- 1① 候选召回
从千万级视频里快速捞出一批「可能相关」的候选（按兴趣标签、协同过滤、热门、关注等几路并行），这一步只求快与全，不求精。
- 2② 粗排
用较轻量的模型对几千条候选先算一遍分数，筛掉明显不合适的，把规模压到几百条，为下一步省算力。
- 3③ 精排
用最复杂的模型给每条候选打分，综合你的历史行为、视频特征与实时上下文，预测你点击、看完、互动的概率，得到精确顺序。
- 4④ 重排与打散
在单条视频之外考虑全局规则：避免同质内容扎堆、控制作者与品类多样性、加入探索与新鲜内容，防止越推越窄的「信息茧房」。
- 5⑤ 实时反馈闭环
你上滑、停留、点赞的每个动作都被立刻采集，实时特征更新进模型，影响你接下来的几条推荐，形成秒级的快速迭代。
04 谁在用它
用户打开即刷，系统自动匹配兴趣，无需搜索与筛选。
新视频先被小范围试推，数据好的迅速获得更大流量，表现弱的自然沉底。
把商品与直播间推荐给可能感兴趣的用户，提高转化效率。
把同源的推荐能力通过火山引擎对外输出，用于资讯、电商、视频等场景。
05 怎么用
这是内部体系，不直接对外售卖；外部团队可通过火山引擎的智能推荐服务获得类似能力，创作者则是「用好机制」。
- 01（创作者）把视频的前三秒做扎实，系统主要参考完播与互动来判断内容质量。
- 02（创作者）保持内容垂直，让系统更准确地为你的视频找到合适人群。
- 03（创作者）观察后台数据，用停留时长、完播率与互动率来定位问题。
- 04（企业开发者）在火山引擎开通智能推荐服务，按官方文档接入用户与物品数据。
- 05（企业开发者）先跑通「曝光、点击、转化」的埋点闭环，再逐步引入实时特征与多路召回。
避坑提示
- !不要试图靠堆噱头骗点击，推荐系统会用退出与划走惩罚低质量内容。
- !冷启动阶段样本少，先保证内容与目标人群标签一致，比盲目投放更有效。
- !自建推荐时，数据埋点的完整性与实时性，往往比模型本身更决定成败。
06 关键概念
- 召回
- 从海量内容里快速筛出一小批候选，是漏斗的第一层。
- 排序
- 给候选打分的模型，分数越高越靠前，是决定「看什么」的关键。
- 实时特征
- 用户刚刚产生的行为被立刻转成模型的输入，让推荐反应够快。
- 信息茧房
- 长期只推你爱看的，导致视野越来越窄；重排打散就是为了缓解它。