撰文：KarenZ，Foresight News

原标题：大白话拆解 X 新推荐算法：从“捞数据”到“打分”

马斯克把推特的推荐系统从“人工堆砌规则和大部分启发式算法”改成了“纯靠 AI 大模型猜你喜欢”？

1 月 20 日，推特（X）正式披露新推荐算法，即推特首页“为你推荐”（For You）时间线背后的逻辑。

简单来说，现在的算法是：把“你关注的人发的内容”和“全网可能对你胃口的内容”混在一起，根据你之前在 X 上的一连串点赞、评论等动作按对你的吸引力排好序，中间经过两次过滤，最终变成你刷到的推荐信息流。

以下是用大白话翻译的核心逻辑：

建立画像

系统首先收集用户的上下文信息，为后续的推荐建立“画像”：

• 用户行为序列： 历史互动记录（点赞、转发、停留时长等）。

• 用户特征： 关注列表、个人偏好设置等。

内容从哪来？

每当你刷新“为你推荐”时间线时，算法会从以下两个地方找内容：

• 熟人圈（Thunder）： 你关注的人发的推文。

• 陌生人圈（Phoenix）： 你没关注，但 AI 会根据你的口味，去茫茫人海中把你可能感兴趣的帖子（哪怕你没关注作者）捞出来。

这两堆内容会混在一起，就是候选推文。

数据补全和初步过滤

捞上来成千上万条帖子后，系统会拉取帖子的完整元数据（作者信息、媒体文件、核心文本），这一流程叫 Hydration。然后会先进行一轮快速清洗，剔除重复内容、旧帖、用户自己发的帖、已拉黑作者的内容或屏蔽关键词的内容。

这一步是为了节省计算资源，避免无效内容进入核心打分环节。

怎么打分？

这是最关键的部分。基于 Phoenix Grok 的 Transformer 模型会盯着每一条过滤过后剩余的候选帖子，计算你对它做各种动作的概率。这是一个加分与减分的游戏：

加分项（正向反馈）： AI 觉得你可能会点赞、转发、回复、点击图片、或者点进主页看。

减分项（负向反馈）： AI 觉得你可能会拉黑作者、Mute、举报。

最终得分 = （点赞概率 × 权重） + （回复概率 × 权重） – （拉黑概率 × 权重）…

值得注意的是，新推荐算法中 Author Diversity Scorer（作者多样性打分器）通常会在 AI 算完最终得分之后介入。当检测到某一批候选帖子里，有同一个作者的多篇内容时，这个工具会自动“压低”该作者后续帖子的分数，让你刷到的作者更多元。

最后，根据按得分排序，挑分数最高的一批帖子。

二次过滤

系统把打分最高的前多少个帖子再检查一遍，过滤掉违规的（比如垃圾邮件、暴力内容）、给同一个 thread 的多个分支去重，最后按分数从高到低排好，变成你看到的信息流。

小结

X 已经在推荐系统中剔除了所有人工设计的功能和大部分启发式算法。新算法的核心进步在于“让 AI 自主学习用户偏好”，实现了从“告诉机器怎么做”到“让机器自己学会怎么做”的跨越。

首先是推荐更精准，“多维度预判”更贴合真实需求。新算法则靠 Grok 大模型预测多种用户行为 —— 不仅算“会不会点赞 / 转发”，还会算“会不会点进链接看”、“停留如何”、“会不会关注作者”，甚至会预判“会不会举报 / 拉黑”。这种精细化的研判，让推荐内容与用户潜意识需求的贴合度达到了前所未有的高度。

其次，算法机制相对更公平，在一定程度上可以打破“大号垄断”的魔咒，给新号、小号更多机会：过去的“启发式算法”有个致命问题：大号靠历史高互动量，发什么内容都能获得高曝光，新号哪怕内容优质，也因“没数据积累”被埋没。候选隔离机制让每条帖子独立打分，和“同批次其他内容是不是爆款”无关。同时，Author Diversity Scorer 也会降低同一作者同一批次后续帖子的刷屏行为。

对于 X 公司： 这是一次降本增效的举措，用算力换人力，用 AI 换留存。对用户而言，我们面对的是一个时刻揣摩人心的“超级大脑”。它越懂我们，我们越离不开它，但也正因为它太懂我们，我们将更深地陷入算法编织的“信息茧房”，并更容易成为情绪化内容的精准捕获对象。

Twitter：https://twitter.com/BitpushNewsCN

比推 TG 交流群：https://t.me/BitPushCommunity

比推 TG 订阅： https://t.me/bitpush