视频推荐流背后的隐形机制：精排、重排与反馈闭环

数智星河

      本文基于抖音精选公开课《算法专家的抖音推荐说明书》公开内容整理优化。很多人只知道召回负责海选候选，但一条视频最终以怎样顺序出现在你的首页，由精排打分、重排调序、实时反馈闭环这套隐形机制共同决定。召回选出入场券，精排预测你有多喜欢，重排优化观看序列，而你的每一次滑动，又反过来持续改造整个推荐系统抖音。

      前面已经了解，召回环节从亿级视频池筛选出约 1000 条候选视频，粗排快速过滤掉大部分低匹配内容，得到几百条候选。真正决定视频优先级、观看顺序、内容多样性的，是精排与重排，再加上永不停歇的用户反馈闭环，构成 Feed 流背后看不见的运行逻辑。

一、精排：对单条视频做多目标概率预测

经过召回、粗排两轮过滤，候选集规模收缩到几百条，此时可以部署重型深度学习模型做精细打分，也就是精排。
精排和召回不一样：召回侧重向量相似度匹配；精排输入全套完整特征：用户特征、视频多模态特征、ID 类特征、上下文场景特征，利用MMoE 多任务学习模型同时预测多个业务目标的发生概率：

• 完播概率、5 秒留存概率
• 点赞、评论、收藏、转发概率
• 关注作者概率、停留时长预估
  

模型不会只拿单一指标（例如点赞率）决定排序。它会综合全部预测目标，计算一条视频的综合期望得分。得分越高，代表系统预判这条视频对你的综合吸引力越强。

通俗理解：召回是筛出 “有可能喜欢”；精排是给每一条候选视频打分，预判你会产生怎样的互动行为。

工程上为了控制延迟，精排模型会做量化、蒸馏、批处理优化，在模型复杂度提升的同时，维持整体链路百毫秒级响应。精排输出几十条高分视频，但是这个分数只是单条视频独立得分，直接按照分数输出，会带来体验问题。
二、重排：调整视频序列，解决单条打分带来的体验缺陷

精排只评估单条视频，不考虑视频和视频之间的相互影响。如果直接按精排分数输出，会出现明显问题：连续推送高度同质化内容，连续出现同一个创作者，新视频难以露出，用户陷入信息茧房。
这就是重排存在的意义：不修改单条视频的模型分数，而是对已经排好的候选序列做二次调整，从 “单条最优” 转向 “整页 Feed 体验最优”。
重排常见处理手段：

• 内容打散（MMR 最大边际相关性）降低连续出现同类内容的概率。即便好几条萌宠视频得分都很高，也会穿插美食、科普等其他题材，避免连续刷到同类内容造成审美疲劳。
• 去重与过滤过滤高度相似视频、重复搬运内容、合规拦截内容。
• 新鲜度与流量扶持给予新视频一定曝光倾斜，防止 Feed 流全部是历史爆款，保障新创作者的机会。
• 探索流量注入小部分偏离当前兴趣的内容进入序列，挖掘用户潜在兴趣，对抗信息茧房。
• 场景规则适配结合时间、网络环境调整序列，例如弱网络环境优先短时长视频。
  

经过重排调整之后，最终生成用户手机上看到的视频列表。
三、推荐不是单向输出：实时反馈飞轮闭环

绝大多数人以为推荐流程到此结束，实际上真正的循环才刚刚开始。整套推荐系统是闭环系统，不是一次性计算。你观看视频产生的全部行为信号，会实时回传给系统，反过来改变下一轮推荐结果。
1. 两类用户行为信号

显性反馈（强信号）：点赞、收藏、转发、关注、点击 “不感兴趣”。用户主动表达喜好或厌恶。隐性反馈（容易被忽略，但权重很高）：是否看完视频、停留时长、滑动速度、反复回看、中途划走。你不需要点击任何按钮，动作本身就在传递偏好。

• 完播、反复回看：强烈正向信号，同类内容后续会提升召回、排序权重；
• 快速划走、秒滑：负向信号，降低相似内容的曝光概率。
  

这些行为数据经过实时计算引擎处理，更新你的用户特征向量，修改你的兴趣画像。下一次手指上滑刷新，召回、粗排、精排拿到的已经是更新后的用户向量，推荐结果随之发生变化。

真相：不是算法完全读懂了你，而是你的一次次交互，持续训练算法，塑造你的推荐流。

四、视频冷启动：一条新视频如何拿到第一波流量

一条刚发布、0 播放 0 互动的新视频，没有历史行为数据，无法依靠用户互动统计打分，这就是内容冷启动。

• 首先通过多模态模型解析画面、音频、文本，生成视频 Embedding 向量，让视频可以进入召回候选池，拿到初始小流量曝光；
• 将视频投放给一小批泛人群做测试；
• 收集这部分用户真实反馈：完播、停留、互动表现；
• 如果反馈数据表现优秀，进入更大流量池推送给更多用户；如果反馈较差，则减少后续分发。
  

新用户同样存在冷启动：注册初期没有观看行为，无法生成精准用户向量。系统依靠地域、热门内容做兜底，随着用户滑动行为不断积累，画像逐步变得个性化。
五、完整全链路回顾

完整的抖音推荐全链路串联：亿级视频池 → 召回（千万→约 1000 条，海量海选） → 粗排（1000→几百条，轻量快速过滤） → 精排（几百→几十条，多目标模型精细打分） → 重排（序列打散、多样性调整） → 用户 Feed 流展示 → 用户行为实时反馈回流 → 更新用户 & 内容特征，进入下一轮循环
召回、粗排、精排、重排是向前计算；用户反馈闭环是向后迭代，二者共同构成完整的推荐飞轮。
六、总结

很多人把推荐算法等同于 “贴标签”，实际工业界远比标签体系复杂。

• 精排负责预测个体偏好，用多目标模型预估你的各类互动概率；
• 重排负责全局体验，牺牲局部最高分，换取内容多样性、新鲜感；
• 反馈闭环是系统进化的动力，你的每一次滑动，都在参与算法迭代。
  

这套机制也解释了一个现象：你的推荐流不是固定不变的。今天刷到的内容，会被你接下来几十次上滑行为改写。你既是推荐系统的使用者，也是数据的生产者。

延伸思考：算法只能基于历史行为做预测，它无法预知你未来突然萌生的全新爱好。所以重排阶段加入探索流量，目的就是尝试跳出旧有兴趣，帮你发现新内容。