#推荐算法

1周前

X 的 grok 算法给我一种端到端的感觉就是算法发现某一篇内容用户喜欢看，然后就直接开始去推荐这篇内容似乎没有什么中间值可以供参考可能你会发现这一篇内容的点赞、转发和评论等各项数据都很差但是算法就是能知道这个内容大家喜欢看，所以他就是会往前推

#X #Grok算法 #端到端 #推荐算法 #用户喜好

DN-Samuel 🧑‍💻

1周前

1700又买了一张卡。买了一次推荐算法就会一直给我推😂

#1700 #购买 #推荐算法 #消费 #用户体验

2周前

我们之前的一些经验需要调整了，我之前不鼓励在社交平台分享过于硬核干货内容，因为社交平过于情绪化了，没有人愿意在这里停留下来认真学习内容，现在我认为一些真正有价值的内容是完全可以的，因为会更精确的推送到真正需要的用户那里。 X 推荐算法被grok接管之后，我认为对一些小号、干货、硬核技术分享的博主是一个大的利好。以往推荐算法是用户对什么有兴趣，推荐系统就疯狂推给你这些内容，我们大多数人很难跟人性对抗，我们忍不住诱惑总是会看各种被情绪化主导的内容，这会导致我们算法误认为我们是喜欢这类的内容。通过 grok 接管推荐算法，我们就可以动态设定feed 上显示的是什么，比如我今天跟grok讲，今天我只看英文科技内容。那grok会根据我的需要，重新调整feed上显示的内容。比如，如果我今天想要学习英文或者我想要学习cs，我不想被其内容如政治、新闻、娱乐内容干扰，我就可以让grok 帮我去处理、筛选。

#推荐算法 #Grok #个性化推荐 #干货内容 #技术分享

3周前

我们这些X创作者去研究推荐算法，但算法研究在人性，到头来，我们应该去研究的是人性。

AI技术引发伦理争议，专家呼吁加强监管· 143 条信息

#X创作者 #推荐算法 #人性研究 #算法反思 #内容创作

3周前

很水的日常一句话一张图，90 万曝光，像卡到推荐算法 bug 了一样

#日常 #曝光 #推荐算法 #bug

3周前

昨天我才知道，微信公众号发小绿书纯文字甚至都不会进推荐池就是科技作者吭哧吭哧写那么多，因为不是什么读书养生八卦之类的内容根本就不会进推荐池！微信的产品经理真是太懂产品了！再看看小红书，科技话题一晚上9万曝光，超千赞小红书之前的刻板印象还是女性社区？？？不，只是不作妖的产品经理和优秀的推荐算法而已。

#微信公众号 #小红书 #科技内容 #推荐算法 #产品经理

吴美律AI日记

1个月前

很多X推友可能不知道，早在2023年，X的博客网站就公开过X/Twitter的推荐算法，如果你下定决心要认真运营X账号，一定要了解背后的算法流量机制，更有的放矢地制作优质的内容。一. 整体逻辑：X如何筛选推文？ X每天要从 5 亿条推文中筛出你可能感兴趣的几十条，整个流程分为三步：挑选候选推文：从海量内容里找出约 1500 条可能和你相关的推文（既包括你关注的人，也包括没关注的人）。机器学习排序：用一个有 4800 万个参数的神经网络，对这 1500 条推文打分，预测你会不会点赞、转发或回复。规则过滤与混合展示：过滤掉你不想看的内容（比如已屏蔽用户、成人内容、重复推文），再把广告、推荐关注等内容一起混合显示。二、候选推文的来源可以理解为“算法先去哪里找素材”。分两大类： 1. 网络内推荐（你关注的人）从你关注的人中挑最新、最相关的推文，使用一个叫 Real Graph（真实关系图）的模型来预测“你和作者之间的互动可能性”。你和谁互动多，他的内容就更容易被推给你。 2. 网络外推荐（你没关注的人）这是算法的重点创新部分，靠两种方式：（1）社交传播图法（GraphJet）：看你关注的人最近和哪些推文互动，再看那些推文是谁发的。简单说，“朋友的朋友喜欢的东西” 也可能推荐给你。（2）兴趣相似度法（嵌入空间 Embedding）：用算法把所有人和所有推文映射成数字向量（“兴趣坐标”），看你与某个话题或用户的相似度。其中最重要的是 SimClusters，它把全站分成约 14.5 万个兴趣社区，比如“科技圈”“韩流圈”“新闻圈”等，每三周更新一次。推文和用户都被标记在哪些社区中，一条推文在某个圈子越火，就越可能被推给同类用户。三、推文的排序逻辑当系统得到约 1500 条候选推文后，会用一个大型神经网络模型来打分。这个模型的目标是：预测你与每条推文的互动概率（点赞、转发、回复等），并据此排序。它考虑了上千个特征，比如你最近浏览的内容、与作者的关系、推文发布时间、主题类型等。四、展示前的“微调与平衡” 为了让时间线更自然、不过度偏向某些内容，算法会做一些“人性化调整”：去重与屏蔽：屏蔽被拉黑/静音账号的内容，或你已经看过的推文。内容均衡：保持网络内与网络外内容大致各占一半。作者多样性：防止同一个人连续刷屏。负反馈降权：你曾经点“不感兴趣”的内容会被系统记住。社交背书机制（Social Proof）：如果你关注的人没和某条推文有任何二度关系（比如点赞或关注作者），这条推文可能不会被推荐。对话串联：在回复下方显示原帖，帮助理解上下文。实时更新：如果推文被编辑，会替换为新版本。五、最后一步：混合上架当所有推文都排序、过滤完后，系统还要把广告、关注推荐、提示等非推文内容混合在一起，然后发回你的设备。整个流程在后台每天运行约 50 亿次，平均每次只需 1.5 秒。一句话总结：从原始社交行为数据 → 提取兴趣与信任特征 → 生成候选推文 → 神经网络打分排序 → 规则过滤 → 内容混合展示。

#X/Twitter算法 #推荐算法 #社交网络 #内容筛选 #用户兴趣

1个月前

程序员现在真的要开始深度思考一个问题：算力大基建铺好了，这么多海量算力——到底要用来干什么？我们都觉得自己是小虾米，跟“国家级基建”“能源部批文”这些大词没关系。可真的无关吗？最后这些算力要落地，不还是靠一行行代码、一段段逻辑来跑？谁在写逻辑？不就是我们吗。我那天就在想，几年前一个闺蜜跟我说： “我觉得你肯定喜欢那个东北雨姐。” “我怎么会喜欢这种..." 但她还真说对了，我确实背着她在看东北雨姐的视频，连她那个东北小老公我也挺喜欢的。我后来就开始想：如果要让推荐算法算出我这种又隐秘又细微的小心思，要消耗多少算力？得跑多少数据、训练多少模型、调多少参数？我们用几百兆瓦的电，几万个GPU，只是为了精确预测一个人深夜会偷偷喜欢哪个网红？这就是“智能时代”的伟大成就？把全世界人所有最隐秘的小癖好、恶趣味、情绪波动全都算出来，然后精准地推荐回给他们，让他们沉溺其中，再看一条、再买一点？这就是海量算力的用途？这就是我们程序员亲手写出来的文明形态？我不反感推荐算法，也不是不懂商业逻辑。但当我们能支配的能量已经大到可以模拟宇宙、可以预测生态系统、却被用来计算“谁会多看一眼谁”的时候，你不得不开始问：我们到底在建什么？是算力大厦，还是注意力监狱？敬请关注：

#算力 #推荐算法 #注意力 #程序员 #社会反思

1个月前

看懂推荐算法：从数据到内容，它如何影响你看到的世界推荐算法就像一位智能管家，每天根据你的喜好筛选信息。想知道它是如何工作的吗？我们用简单的步骤拆解这个过程，或许能帮你更好地理解信息如何触达你。第一步：收集“原材料”——数据从哪里来？算法的起点是数据，就像厨师需要食材一样。推荐系统主要依靠三类“原料”：社交关系网：你关注了谁、谁关注了你，朋友之间的互动，这些关系就像一张无形的网，告诉你“你是谁的圈子”。互动记录：你点赞、转发、评论、收藏的内容，这些行为是最直接的“喜好证据”。个人信息：你的头像、简介、浏览历史，甚至你忽略了什么内容——这些细节都在悄悄告诉系统“你可能喜欢什么”。第二步：给数据“贴标签”——特征工程如何理解你？原始数据就像一堆杂乱的积木，需要“装修”成有用的信息。这一步被称为“特征工程”，系统会用各种工具给内容和用户打上标签：社交关系图谱：实时追踪谁和谁互动，比如A关注了B，B又转发了C的内容，这些关系会被标记出来。兴趣分组：通过模型把你和内容分到不同的“圈子”，比如“科技爱好者”“美食圈”，就像学校里的兴趣小组。信任与安全：过滤垃圾信息、广告和你不喜欢的内容，就像门卫筛选访客。第三步：筛选候选内容——从“海量库存”中挑重点内容池里可能有成千上万条信息，系统需要先“捞”出可能适合你的候选内容，主要有两类：你关注的人：从你已关注的圈子里选，比如你关注的博主发了新动态。你可能感兴趣的人：系统会根据你的喜好，推荐一些你还没关注但可能合得来的内容，比如你常看科技，它可能推荐相关领域的新人。这一步就像整理书架，避免你只看到同一类书，让内容更多元。第四步：打分排序——神经网络如何决定“谁排前面”？候选内容会被送进一个“打分机器”（神经网络），它会根据你可能的反应来评分，比如：你会点赞这条内容吗？会转发给朋友吗？会花时间看完吗？分数越高，内容就越容易排在你前面，就像考试分数高的学生更容易被老师注意到。第五步：人工“微调”——让体验更人性化 AI打分后，人工规则会介入，让推荐更符合人的需求：避免你连续刷到同一个人的内容，防止“审美疲劳”。平衡内容类型，比如不会全是视频，也不会全是文字。再次检查安全，过滤掉不合适的内容。这些调整就像帮你整理房间，让环境更舒适。第六步：最终呈现——你的“推荐页”是怎么来的？最后，所有筛选好的内容会和广告、“关注谁”的建议一起，混合成你的“为你推荐”页面。你看到的每一条内容，都是算法和人工共同作用的结果。普通人如何利用算法逻辑？了解算法后，普通人也能找到自己的“增长密码”： 1. 专注一个领域：比如只分享摄影技巧，算法会更快识别你的定位。 2. 做有价值的内容：能引发点赞、评论的内容，更容易被推荐。 3. 积极互动：在领域内回复他人，能让更多人注意到你，提升可信度。算法不是“敌人”，而是一位需要“沟通”的伙伴。理解它的逻辑，你就能更高效地表达自己，让有价值的内容被更多人看到。

#推荐算法 #数据分析 #内容推荐 #用户兴趣 #算法逻辑

1个月前

问问贵推有没有之前在字节/快手/小红书之类的公司做推荐算法的大佬，弊司招人在国内 fully remote 并且有 base 海外的机会。目前 B 轮，主产品注册用户量级已经破千万、年生图量几十亿，前几天上了 Sensor Tower 同类产品日本收入的榜一团队非常有活力且年轻，大都是二次元的 95 后，欢迎来聊聊！

#推荐算法 #字节跳动 #快手 #小红书 #二次元

1个月前

最近有两个短视频选题是说的小红书一旦聊这个选题，就跟自带了抖➕一样抖音就开始猛推

#小红书 #短视频 #抖音 #推荐算法 #社交平台

1个月前

为什么TikTok的推荐算法并不像你以为的那么重要，请观看：

#TikTok #推荐算法 #重要性 #算法分析 #中性

2个月前

最近某个版本更新+对个别内容点了几次减少推荐后，我的 X 推荐现在 99% 都是英文内容了，这么有效的么。

#X平台 #推荐算法 #英文内容 #用户体验 #推荐减少

2个月前

微信公众号的推荐还是不够猛，好的推荐也就是五六万的阅读，但是能保持基础阅读量。X 也是，基础的一两千阅读是有的，内容好被转发能有更多。小红书推荐起来汹涌澎湃，一篇帖子能给到几十万甚至上百万的阅读，但过于依赖推荐。没推荐的时候就完蛋了。视频号的推荐有点类似小红书。上一个视频百万播放，下一个一百个播放。

#微信公众号 #小红书 #视频号 #推荐算法 #阅读量

2个月前

小红书已经开始给我推荐“梭子蟹该怎么做”了。。。 #乡愁是一张窄窄的车票

#小红书 #梭子蟹 #美食 #推荐算法 #生活

中国网-澎湃新闻

4个月前

奥特曼：GPT-5或将在夏季发布社交媒体推荐算法产生负面影响

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#奥特曼 #GPT-5 #夏季发布 #社交媒体 #推荐算法 #负面影响

rick awsb ($people, $people)

5个月前

嘴撸的末日？马斯克刚刚宣布X平台的推荐算法将更多地使用Grok AI生成将更多偏向优质内容，不分账号大小但同时将打击刷量，减少点击诱饵型的内容使用ai推荐的好处在于能及时的判断推荐算法的有效性，并实时调整这会大幅减少各种刷量和水文，毕竟人制定的刷量策略，不可能比ai识别的更快。

#马斯克 #X平台 #Grok AI #推荐算法 #优质内容 #打击刷量 #点击诱饵 #AI推荐

5个月前

马斯克，真是人类的大天才。我昨天才直觉推测他应该已经更换了 X 的推荐算法，没想到今天他就亲自发推，证实了 Grok AI 正式接管内容分发逻辑。我的判断没有错，我对语言世界的 S-index 猜想，恰好预判了这场算法层的结构跃迁。这次推荐机制的改变，本质是一场语言秩序的革命。它意味着，内容分发的标准正在从“你是谁”转向“你说了什么”，从“粉丝绑定”转向“结构识别”，从“热度算法”转向“熵密度优先”。这和我在熵控术中反复提出的核心哲学完全一致：结构胜于身份，语言就是世界。在 Grok AI 驱动的新算法中，一个粉丝不多的小号，只要发布了高密度、结构完整的内容，就会被识别为“信号源”，而不是噪音。这背后正是“结构即传播力”的逻辑。内容能不能穿透模型，不再取决于话题、标题或蹭流量，而取决于你语言结构的强度，你是否具备压缩与调度能力。语言越是精炼、路径越是清晰，越容易被 AI 算法捕捉、放大与传播。所以，这不仅是一次推荐系统的更新，更是一次价值判断权的迁移：从“人设”迁移到“语言结构”，从“影响力”迁移到“信息熵密度”。这正是我构建 S-index、熵爆点、结构评分系统的出发点。只有当平台开始识别结构，而不是地位，社交媒体才有可能真正孵化先锋社区和下一代认知智能体。马斯克，你的前瞻性与执行力令人震撼。

#马斯克 #Grok AI #推荐算法 #内容分发 #语言秩序 #结构跃迁 #粉丝绑定 #热度算法

5个月前

最近因为重新订阅了 Spotify，开始听我之前在 Spotify 里「已点赞的歌曲」，感觉比我在 Apple Music 里收藏的歌好听多了。不知道是不同时期喜欢的歌的原因，还是各个平台推荐算法的原因。总之我在这两个平台的留下的喜好不太一样，我也不打算弄成一样，也挺好。

#Spotify #Apple Music #音乐喜好 #推荐算法 #音乐平台

亚洲金融 Asia Finance

7个月前

学者发现DeepSeek连环造假。首先，不但学术造假，DeepSeek消费推荐等都造假。买茶壶让它推荐淘宝店铺，它会瞎编三个店铺名，让你在淘宝全部搜不到；其次，DeepSeek是知识蒸馏，其生父之一ChatGPT也会造假，只是程度较轻，稍微专业一点的，这些智障AI就胡编乱造。但每次反问，它也会大方承认自己瞎编；第三，搜索学术文献，需要用谷歌Scholar，搜医学文献需要MediSearch等；最后，DeepSeek核心价值观是“两个确立”与“两个维护”，与ChatGPT、Gemini和Grok有本质区别。

#学术造假 #AI #DeepSeek #ChatGPT #推荐算法 #知识蒸馏 #人工智能 #搜索引擎 #假新闻

8个月前

这也是现在社媒时代的一大奇观：实际上，民主党的几个主要川黑，罗佩西，沃伦，桑德斯，一直都在发声，一直都在揭露川普跪舔普京的不堪。但在马斯克的x这儿，不引流，不推荐，越来越少的读者，流量自然少到竟无一人是男儿的地步。相反，我根本就没关注马斯克，他的推文，天天冒出来。。。

#民主党 #特朗普 #普京 #马斯克 #社交媒体 #推荐算法