Twitter 推荐算法公开

主要观点总结

这篇文章主要介绍了Twitter推荐算法的公开细节，包括负向预测、作者多样性打分、候选物隔离设计、用户停留时间预测、视频观看预测、规则调整以及过滤器等要点。

关键观点总结

关键观点1: 被人拉黑、静音、举报或不被感兴趣，帖子会被负向预测。

在算法中，P(block_author)、P(mute_author)、P(report)、P(not_interested)四个负向预测权重为负，预测值越高得分越低。

关键观点2: 作者连续发帖，后面的曝光会变少。

Author DiversityScorer的作用是为了衰减同一作者连续出现的分数，确保推荐的多样性。

关键观点3: 候选物隔离设计和独立曝光机制。

Candidate Isolation设计确保每条帖子独立打分，不会因其他热门内容而挤掉曝光。

关键观点4: 用户停留时间是独立预测项。

算法中的P(dwell)预测项会考虑用户在你帖子上停留的时间，直接影响得分。

关键观点5: 视频预测注重点击而非完播率。

算法预测的是P(video_view)，即用户是否会点开看视频，而不关注是否看完。

关键观点6: 过去的手工规则和启发式方法被摒弃。

现在全靠Grok从互动历史中学习，过去的规则已经全部删除。

关键观点7: 过滤器会过滤掉你看过的帖子和特定内容。

存在PreviouslySeenPostsFilter和PreviouslyServedPostsFilter等过滤器，同时有针对非关注内容的调分逻辑OON Scorer。