RezeのBlog
← 返回文章列表

它怎么知道我凌晨三点在想什么

2026.09.08技术5684 字视频 1 · 参考 8

去年(2023)三月有天半夜,具体是凌晨两点四十几分,我躺床上刷抖音,刷到一条讲“怎么停止精神内耗”的视频。当时也没多想,划过去了,又看了两条猫,然后困了睡了。结果第二天早上醒来,我习惯性地打开抖音,首页前十条里有四条是心理学、两条是冥想引导、还有一条是“ recommended books for anxious people”。我盯着屏幕愣了几秒,后背有点发凉——我昨晚就那么随手划了一下,它一夜之间就把我归类成一个“焦虑的、需要被治愈的人”了?

我平时也写代码,自己弄过小站,按理说不该对这种事大惊小怪。推荐系统不就是算法吗,我甚至自己写过简单的协同过滤。但“自己写过一个玩具”和“被一个日活上亿的系统拿捏”是两回事。那天之后我卸载了抖音又装回,装回又卸载,反复了得有六七次,就为了搞明白:它到底是怎么做到这么“懂”我的。

它其实根本不在乎你是谁,只在乎你“做了什么”

我们普通人最容易有的错觉是:平台认识我,知道我叫什么、住哪、多大。其实对推荐算法来说,这些静态信息反而是最不重要的。真正要命的是你的“行为序列”——你在每一个视频上停留了几秒、有没有看完、有没有点赞、评论、收藏、分享,甚至你划走得有多快。TikTok(也就是抖音海外版,算法一脉相承)官方在它的透明度中心讲过机制,我后来专门去查了。它会把你所有的交互——like、comment、share、save、finish(看完)、skip(划走)、甚至 report(举报)和观看时长——全部收集起来,然后用机器学习把它们变成向量(embedding)。你可以把向量理解成一组数字,藏在背后的多维空间里。每个用户是一个点,每个视频也是个点,算法算的就是“你这个点和哪个视频的点离得近”。离得越近,你越可能喜欢。

所以那个凌晨两点的“精神内耗”视频,我在它上面停留的时间可能比别的长了一点(毕竟有点戳中),甚至也许还点了个赞。就这么一个微小信号,足够系统把我和“焦虑/内耗/自我提升”这个方向上的点拉近一丢丢。第二天醒来,一切就都变了。我后来做过一个小实验:连续三天,每次打开都故意点美妆和穿搭的视频,哪怕我压根不感兴趣,就硬点。三天之后,我的首页真的被美妆淹没了。第四天我恢复常态,又过了差不多两天才慢慢调回来。这验证了一件事——它没有任何关于“你本人”的执念,它只认你最近的行为,行为变了,它跟着变。某种程度上,这反而让我松了口气:你不会被永久定义。

上面说的“算距离”,背后最经典的一套思路叫协同过滤(collaborative filtering)。名字唬人,道理特朴素:如果你和另一群人在一堆东西上的口味高度重合,那他们喜欢的、你还没看过的,大概率你也会喜欢。举个例子。我和张三都爱看科技测评和烧烤教程,李四只爱看科技测评。系统发现“科技测评”这个点,把我和张三归到一类人。张三还爱看露营,我没看过,那系统就试探性地推一条露营给我。这比“因为这条视频标签是露营所以推给你”聪明得多,因为它是从“人”的角度匹配,而不是从“内容标签”的角度。

这就是为什么有时候你明明没搜过某个东西,它却突然推给你了——不是它偷看了你的聊天记录(虽然很多人这么怀疑),而是“和你像的那群人”恰好都看了,系统顺水推舟。不过协同过滤有个天生的死穴,叫冷启动(cold start)。一个全新的用户,行为数据为零,系统根本不知道把他和谁归一类;一个全新的视频,没人互动过,系统也不知道该推给谁。这两类“冷”,是推荐系统工程师最头疼的事。

冷启动:新用户和新视频是怎么被“喂”起来的

先说新用户。你刚注册,系统对你一无所知,怎么办?TikTok 的做法是准备一套叫“loads”的东西——大概有八种不同类型的视频组合,新用户打开时会先喂一轮杂的、各地区热门的内容,相当于“先撒网看看你咬哪口”。同时它会结合你所在地区的文化、当下正在流行的东西来开局。你每划一条,它就多知道一点,下一轮“loads”就更精准。等它摸清楚你爱猫还是爱狗、爱美食还是爱游戏,这个冷启动期就过去了。再说新视频。一个刚发出来的视频,没人点赞没人看完,凭什么进别人的首页?抖音和小红书都搞了一套“流量池”机制。新视频先给你一个很小的初始曝光量(比如几百次),看这一小撮人的反应:完播率高不高、点赞评论比怎么样。如果在这小池子里表现好,就推到更大的池子;表现拉胯,就到此为止。这叫“叠加推荐”。所以你能看到有些视频突然爆了,其实是它一级一级从池子里“考”上来的,不是一气呵成。

小红书在冷启动上还加了更细的招。它会先用 NLP 和图像识别,把你的笔记(图文或视频)抽成特征和标签,再通过双塔模型和图神经网络挑一批“种子用户”先推给他们看,这批人的反馈好,再用 look-alike(人群扩散)去找更多相似的人。据说这套能把点击率提几个百分点。几个百分点听着少,但在上亿日活里,那就是好几百万的曝光差。

▶你才是那个商品——推荐算法与信息茧房今日NGA · 5,161 播放

小红书那套:把“图”也变成数字

我得单独说说小红书,因为它和抖音的调性不太一样,算法也更“重内容”。小红书的核心是把你的笔记——不管是图还是文还是视频——统一塞进一个多模态的模型(类似 CLIP 那类),变成一串向量。这样一来,一张图“讲的是什么”、一段文字“在聊什么”,系统都能拿数字衡量,也能做很细的内容聚类。它不像早年那样纯靠你打的标签,因为人打的标签经常不准或者为了蹭流量乱打。它还有个有意思的指标叫 CES 评分,用来判断一篇笔记质量高不高。综合考虑的是:关注数、转发数、评论数、收藏数、点赞数。注意,收藏的权重很高——一篇你“收藏了但没点赞”的笔记,往往说明它实用,系统会认为这是强信号。所以小红书上很多标题写着“建议收藏”,不全是营销话术,它确实在蹭这套评分机制的心理学。

另外小红书强调“去中心化分发”。啥意思?就是不完全按粉丝量来,普通人的一篇好笔记,也有机会被推到陌生人的首页。这也是为什么很多人说“在小红书普通人更容易被看见”。当然,这背后还是算法在平衡:个性化、探索新内容、还有保证多样性,别让你刷到的全是同一个调性。有个词叫“信息茧房”或者“过滤气泡”(filter bubble),说的是算法把你裹在自己喜欢的那一类里,越来越窄。但有个反直觉的事实:平台其实不希望你彻底困住。TikTok 自己披露过,当你的首页里同一类内容占到 60% 的时候,系统就开始往里“注水”——塞一些当下热门的、但你平时不怎么看的内容,给你一个“跳出气泡”的机会。为什么?因为老让你看一样的,你很快会腻,会流失。平台要的是你天天来、待得久,而不是把你喂到撑死。所以“茧房”不是算法故意要织死你,而是它在“让你舒服”和“怕你腻”之间找平衡,而这个平衡点往往还是偏向舒适的,不然你早就跑了。

这也解释了为什么“不感兴趣”那个按钮有时候灵有时候不灵。你长按一条视频点“不感兴趣”,确实会给系统一个负信号,但它不会立刻把你这类内容清零,因为它还得权衡“你是不是就偶尔反感这一条,但其实还爱这类”。我实测的感受是:连点同一个作者的好几条“不感兴趣”,比单点一条有用;直接“重置推荐”(有的平台有这个功能)最彻底,等于把那个凌晨两点的你整个抹掉重来。

我试着自己写一个玩具,才懂它有多“笨”

好奇心上来之后,我用 Python 写了个最土的推荐器,数据就一千多条我自己随便造的“用户-物品”评分。用的就是最经典的协同过滤:算用户之间的相似度(余弦相似度),找到和你最像的几个邻居,把他们喜欢而你没看过的东西推给你。写出来跑通的那一刻,我有两个反差极大的感受。第一个是:原来这么简单。几行 numpy 就能把“和你像的人喜欢啥”算出来,根本不需要什么黑科技。第二个是:原来这么笨。我那个玩具完全没有“理解”任何内容,它只认数字,而且只要数据稀疏一点(大部分人只评过几样东西),相似度就算得不准,推出来的东西经常驴唇不对马嘴。

这反而让我理解了工业级系统为什么那么复杂。真实平台面对的是上亿用户、几十亿条视频,还得实时算、还得考虑你刚看过的要降权、还得塞广告、还得保证多样性别让你刷腻。我那个玩具解决的是“协同过滤能跑”这个问题,工业系统解决的是“在海量、实时、还要赚钱的前提下,让协同过滤还能跑”这个问题。中间差着十个数量级的工作量。这也是为什么大厂现在把大模型往里塞——传统协同过滤和 embedding 太依赖历史行为,对“这个内容到底讲了啥”理解很浅。大模型能读得懂一条视频的文案、听懂它的语义,补足这一块。但如前所说,它又慢又贵,所以短期内还是配角。顺带说一个对比。我手机里三个内容 App 用得最多:抖音、小红书、B站。被拿捏程度完全不同。

抖音是最狠的,前面说过,它的一切设计都指向“让你停不下来”,连你滑动的速度、停留的毫秒都拿去算。小红书次之,它更偏向“搜”和“种草”,你带着目的去搜攻略的时候,它的推荐是服务的;但漫无目的刷发现页时,也会被颜值化和精致化内容裹着走。B站我最常待,倒不是因为它道德高尚,而是它的分发逻辑更偏“订阅 + 兴趣频道 + 相关推荐”,没有一个那么强的“为你定制首页”在无限喂。我刷 B 站经常是搜完一个东西,顺着相关视频看下去,看完就关,不像抖音那种“打开就忘了时间”。

这给我的启示其实很实用:如果你也想少被算计,把“刷”变成“搜”是个好办法。带着问题去,带着答案走,比躺在首页被它投喂,主动权在你手里。

「用户长期价值,是抖音推荐算法的『北极星指标』,也是我们最核心的业务目标。」

—— 抖音算法工程师刘畅,「安全与信任中心开放日」,2025-04-15

「推荐系统的核心逻辑是通过综合预测用户行为反馈——包括完播、点赞、评论、收藏、分享以及『不感兴趣』等正负向信号,将反馈价值最高的视频推送给匹配的用户。」

—— 抖音安全与信任中心公开的算法原理,转引自中国经济网,2026-09-01

它悄悄改了我获取信息的方式

研究这些东西,最大的副作用是我开始“反刍”自己的每一次刷手机。我发现一个挺可怕的习惯:以前碰到不懂的事,我的第一反应不是去搜,而是去刷——刷到一条相关的短视频,听博主用三分钟讲完,觉得自己“懂了”,然后划走。久而久之,我对很多东西都是“好像知道一点”的状态,但要我说清楚,又说不出个所以然。这就是短视频推荐最隐蔽的副作用:它把“了解”简化成了“听过”,而这两件事差得很远。举个具体的。去年我想弄明白“为什么我那个小站在学校网络里打开特别慢”,正常该去查文档、看日志。结果我刷到一条讲“TCP 慢启动”的科普视频,听了一半觉得自己懂了,就没深究。后来真出问题,那三分钟根本不够用,还是老老实实去读了一遍 RFC 才搞定。那次之后我给自己定了个规矩:涉及要真正搞懂的东西,关掉推荐流,去搜、去看长文、去看书。推荐流适合“打发时间”和“偶然发现”,不适合“认真学东西”。

还有个变化是,我现在会有意识地“喂”不同的信号给它。比如周末故意去搜一点跟工作完全无关的内容——历史、做饭、甚至怎么修自行车——不是因为我真要学,而是想让那个“你这个点的画像”别长得太单一。说白了,就是在跟算法玩一场温柔的拉锯:它想定义我,我不想被定义得太死。我不确定这算不算一种反抗,但至少是种自觉。知道幕后那只手怎么动,比蒙着眼睛被推着走,总归舒服一点。

我自己的反思,有点难听但真实

研究了一圈,我反而比以前更纠结。一方面,我清楚它运作的原理了,知道那些“懂我”的瞬间不过是向量空间里的一次距离计算,不神秘,也不玄乎。我甚至能复现一部分——我自己写的那个玩具推荐器,就是最土的协同过滤,跑在一千多条数据上,效果虽然糙但逻辑一样。另一方面,知道原理反而让我更警惕。因为它太知道怎么让人“停不下来”了。完播率、互动率这些指标,本质上是在奖励那些最能刺激你多巴胺的内容——极端一点的、情绪浓一点的、让你愤怒或者上头的。一个平静的、需要思考的视频,在它的账本上天然吃亏。我卸载又装回的那几回,其实不是因为内容不好,是因为我发现自己一旦刷进去,半小时就没了,而那半小时里我的大脑是空白的。

今年(2024)还冒出个新趋势,大模型开始被塞进推荐系统。一种用法是直接用大模型做推荐,另一种是大小模型结合,让大模型帮着理解内容、生成特征,再交给原来的模型去排。这么做的好处是推荐能更“懂”内容的语义,也能稍微解释得通“为什么推给你这条”。但坏处也明显:大模型又慢又贵,实时推荐那种毫秒级的要求,它现在还扛不住。所以短期内,你看到的还是“老算法为主、大模型打辅助”的格局。我现在的处理方式是:抖音我还是用,但设了每天固定的时间,到点就关。小红书我主要拿来搜具体的攻略(旅游、菜谱、软件教程),很少漫无目的地刷“发现页”。B 站反而成了我最常待的地方,因为它的推荐没那么“算计停留时长”,更多是“你可能感兴趣”的频道逻辑,刷起来没那么被拿捏。

推荐算法没那么邪乎,也不是什么洪水猛兽。我那个凌晨两点的“精神内耗”视频,后来真去看了原博主的其他内容,有两条还挺有用的,所以也不全是坏事。只是从那以后,我每次划走一条视频之前会多停半秒,想一下:我是真的不感兴趣,还是只是被它算准了?

参考与延伸