从双塔模型到信息茧房：我在抖音做推荐算法优化的3个关键发现

从双塔模型到信息茧房：我在抖音做推荐算法优化的3个关键发现

作为一名在抖音推荐系统一线摸爬滚打了数年的算法工程师，我每天面对的是每秒数亿级别的用户请求和海量视频内容。我的工作，简单来说，就是让算法更懂你，但又不能“太懂你”。听起来有点矛盾，对吧？这正是推荐系统最迷人的地方，也是最大的挑战所在。我们既要精准地捕捉你的兴趣，让你刷得停不下来，又要小心翼翼地避免让你陷入一个由单一内容构成的“信息孤岛”——也就是大家常说的“信息茧房”。

这几年，我深度参与了从双塔召回模型迭代到多目标排序优化的全过程，见证了算法从单纯追求点击率到如今兼顾多样性、长期价值与生态健康的复杂演进。这不仅仅是技术的升级，更是对“推荐”这件事本身理解的深化。今天，我想抛开那些复杂的公式和架构图，和你分享三个在实战中让我印象最深刻、也最具启发性的关键发现。这些发现关乎技术，更关乎我们如何理解用户、内容以及算法这三者之间微妙而动态的关系。

1. 召回阶段的革命：当双塔模型遇见“兴趣探索”

召回，是推荐系统的第一道关卡。它的任务是从数以亿计的视频库中，快速筛选出几百个你“可能”会感兴趣的内容候选集。你可以把它想象成一个超级高效的“海选”环节。在很长一段时间里，我们的主力召回模型是经典的双塔模型。这个模型的设计非常巧妙，它像两座并立的塔楼：

• 用户塔：专门负责学习你的特征。它会把你所有的行为——点击、点赞、评论、观看时长、甚至是你刷视频的时间段——都转化成一串高维的、稠密的数字向量。这串数字就是你的“兴趣指纹”，虽然人类看不懂，但对机器来说，它精确地代表了你的偏好。
• 内容塔：专门负责学习视频的特征。视频的视觉信息、音频、标题、发布者信息等，也会被编码成另一串数字向量，可以理解为视频的“内容指纹”。

召回的过程，就是计算你的“兴趣指纹”和每一个视频“内容指纹”之间的相似度（比如余弦相似度），然后选出最相似的那一批。这个方法的效率极高，因为它允许我们离线预先计算好所有视频的向量，线上服务时只需要计算一次用户向量，然后进行快速的向量检索即可。

# 一个简化的双塔模型召回过程示意（伪代码）
def two_tower_retrieval(user_features, all_video_features, top_k=500):
    # 1. 通过用户塔模型，将用户特征转化为用户向量
    user_embedding = user_tower_model.predict(user_features)

    # 2. 所有视频的特征已预先通过内容塔模型计算好，存储在向量数据库中
    # 3. 进行近似最近邻搜索，找到与用户向量最相似的top_k个视频向量
    candidate_video_ids, similarity_scores = vector_db.ann_search(user_embedding, top_k)

    return candidate_video_ids

然而，我们很快发现了双塔模型的一个固有缺陷：它太擅长“迎合”了。如果你的“兴趣指纹”显示你是个篮球迷，那么它就会疯狂地给你召回篮球视频，导致候选池高度同质化。长此以往，你的推荐流就会越来越窄，这就是“信息茧房”在召回阶段的源头。