#内容筛选

吴美律AI日记

3周前

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

AIGC 内容越来越多，依靠 Token 降低信噪比，是我唯一想做的事儿了： 1/ 用智能体克隆我筛选内容的思维 2/ 开发 RPA，带着预设替我 7 x 24 小时看片儿 3/ 筛选出爆款选题来做内容看到 RPA 停止工作，我就睡不着。。。

#AIGC #智能体 #RPA #内容筛选 #焦虑