سازوکار الگوریتم صفحه «برای شما» تیکتاک: سیستم چگونه ویدئوها را رتبه‌بندی و پیشنهاد میکند
نگاهی از درون به «گراف علایق» و مدل‌های یادگیری ماشینی که موتور پیشنهادی تیکتاک را به حرکت درمی‌آورند؛ مدلی که سیگنال‌های ضمنی زمان تماشا را بر انتخاب‌های صریح کاربر ترجیح میدهد.
به قلم کاوان رامین
این خبر را به اشتراک بگذارید
به‌طور خلاصه
- الگوریتم تیکتاک به جای گراف اجتماعی، بر «گراف علایق» متکی است و محتوا را بر اساس شباهت‌های رفتاری و نه شبکههای دوستان، اولویت‌بندی میکند.
- این سیستم با آزمایش دستهای ویدئوهای جدید روی گروههای کوچک کاربران، مشکل «شروع سرد» را حل میکند تا تعامل اولیه را اندازهگیری کند.
- اندازه‌گیری‌های تجربی نشان میدهد که الگوریتم به شدت سیگنال‌های ضمنی، مانند زمان تماشا، را بر اقدامات صریح مانند لایک یا کامنت وزن‌دهی میکند.
در سال ۲۰۲۱، یک سند داخلی تیکتاک به رسانه‌ها درز کرد که فرمول ریاضی در قلب اعتیادآورترین اپلیکیشن جهان را فاش می‌کرد: «احتمال لایک ضربدر ارزش لایک + احتمال کامنت ضربدر ارزش کامنت + احتمال زمان پخش ضربدر ارزش زمان پخش + احتمال پخش ضربدر ارزش پخش». این معادله، که از برندسازی شرکتی جدا شده، موتور محرک صفحه «برای شما» است.
این فرمول احتمال (P) تعامل کاربر با یک ویدئو را محاسبه کرده و آن را در ارزشی (V) که پلتفرم برای آن تعامل خاص قائل است، ضرب میکند. این نه جادو است و نه ذهن‌خوانی. بلکه یک ماشین پیش‌بینی بسیار کارآمد است که برای به حداکثر رساندن یک معیار واحد طراحی شده است: زمان صرف شده در پلتفرم.[2]
برای درک تفاوت اساسی الگوریتم تیکتاک با سیستم‌های پیشین، باید به معماری «گراف» آن نگاه کرد. پلتفرم‌های قدیمی مانند فیس‌بوک و اینستاگرام بر اساس «گراف اجتماعی» ساخته شده بودند—آنها محتوا را بر اساس افرادی که می‌شناختید، دنبال می‌کردید و آنچه دوستانتان لایک می‌کردند، پیشنهاد می‌دادند.
تیکتاک این مدل را کاملاً کنار گذاشت. در عوض، یک «گراف علایق» ساخت. این سیستم اهمیتی نمی‌دهد دوستان شما چه کسانی هستند. بلکه منحصراً به آنچه توجه بصری شما را جلب میکند، اهمیت میدهد و خوشه‌های محتوا را بر اساس شباهت‌های رفتاری و نه ارتباطات اجتماعی، نقشه‌برداری میکند.[4]
سازوکار این گراف علایق با مسئله «شروع سرد» آغاز می‌شود. هنگامی که یک تولیدکننده محتوا ویدئوی جدیدی را بارگذاری میکند، الگوریتم هیچ داده تاریخی در مورد واکنش مخاطبان به آن ندارد. برای حل این مشکل، سیستم از یک مکانیسم آزمایشی دستهای چند لایه استفاده میکند.
ویدئو ابتدا به یک گروه کنترل کوچک و بسیار هدفمند متشکل از چند صد کاربر نشان داده می‌شود که رفتار گذشته‌شان نشان میدهد ممکن است پذیرای فراداده، صدا یا عناصر بصری محتوا باشند. اگر ویدئو در این گروه اولیه به نرخ تکمیل و امتیاز تعامل پایه دست یابد، به لایه بزرگ‌تری متشکل از چند هزار کاربر ارتقا می‌یابد.[1][4]
تیکتاک رسماً اعلام میکند که سیستم پیشنهادی‌اش بر اساس ترکیبی از تعاملات کاربر، اطلاعات ویدئو و تنظیمات دستگاه یا حساب کاربری وزن‌دهی می‌شود. طبق مستندات عمومی شرکت، اقدامات صریح مانند اشتراک‌گذاری ویدئو، دنبال کردن یک حساب یا گذاشتن کامنت، شاخص‌های قوی علاقه هستند. این پلتفرم همچنین عواملی مانند زیرنویس‌ها، صداها و هشتگ‌های مرتبط با ویدئو، در کنار عناصر ساختاری مانند ترجیحات زبانی و نوع دستگاه را در نظر می‌گیرد، اگرچه ادعا میکند که این تنظیمات اخیر در محاسبه نهایی پیشنهاد وزن کمتری دارند.[1]
با این حال، زبان بازاریابی پیرامون عاملیت کاربر اغلب واقعیت ریاضی سیستم را پنهان میکند. در حالی که تیکتاک صفحه «برای شما» را به عنوان یک فید شخصی‌سازی شده که توسط انتخاب‌های صریح کاربر شکل گرفته، معرفی میکند، هدف بهینه‌سازی زیربنایی، حفظ کاربر است.
سند مهندسی درز کرده صراحتاً اشاره داشت که هدف نهایی الگوریتم، افزودن کاربران فعال روزانه و به حداکثر رساندن زمانی است که آنها صرف تماشای محتوا می‌کنند. برای دستیابی به این هدف، سیستم باید سیگنال‌هایی را که قوی‌ترین همبستگی را با توجه پایدار دارند، در اولویت قرار دهد، صرف نظر از اینکه کاربر آگاهانه آن محتوا را تأیید کند یا خیر.[2]
این امر یک تنش اساسی بین سیگنال‌های صریح (آنچه کاربر می‌گوید می‌خواهد) و سیگنال‌های ضمنی (آنچه کاربر واقعاً تماشا میکند) ایجاد میکند. ممکن است یک کاربر ویدئوی آموزشی در مورد امور مالی شخصی را «لایک» کند، و بدین ترتیب یک ترجیح صریح برای آن محتوا نشان دهد.
اما اگر همان کاربر به طور مداوم کلیپ‌های درام واقعیت‌محور را تا انتها تماشا کند بدون اینکه آنها را لایک کند، الگوریتم با یک انتخاب روبرو است: بهینه‌سازی برای ترجیح اعلام شده، یا بهینه‌سازی برای واقعیت رفتاری. شواهد تجربی نشان میدهد که الگوریتم به طور قاطع دومی را انتخاب میکند.[3][4]
یک مطالعه آکادمیک اخیر که عاملیت کاربر را در فید الگوریتمی تیکتاک اندازهگیری کرد، این پویایی را کمی‌سازی کرد. محققان حساب‌های خودکار را برای آزمایش سیستماتیک نحوه واکنش صفحه «برای شما» به انواع مختلف تعامل به کار گرفتند. آنها دریافتند که سیگنال‌های ضمنی—به طور خاص، زمان تماشا و نرخ تکمیل ویدئو—بر وزن‌دهی پیشنهادی غالب هستند.
سیستم به سرعت فید را بر اساس مدت زمانی که یک ویدئو روی صفحه باقی می‌ماند، تنظیم می‌کرد و اغلب اقدامات صریح مانند استفاده از دکمه «علاقهمند نیستم» یا لایک کردن عمدی محتوای خارج از خوشه را نادیده می‌گرفت.[3]
تسلط زمان تماشا، تکامل ساختاری محتوا در پلتفرم را توضیح میدهد. تولیدکنندگان محتوا، با تشخیص اینکه نرخ تکمیل سنگین‌ترین متغیر وزن‌دهی شده در جزء «ارزش زمان پخش» (Vplaytime) الگوریتم است، ویدئوهای خود را برای بهره‌برداری از این معیار مهندسی کرده‌اند.
این امر منجر به گسترش «قلاب» (hook)—سه ثانیه اول بصری یا شنیداری جذاب که برای جلوگیری از سوایپ کاربر طراحی شده—و «حلقه» (loop) شده است، جایی که پایان یک ویدئو به طور یکپارچه به ابتدای آن منتقل می‌شود و نرخ تکمیل را به طور مصنوعی افزایش میدهد، قبل از اینکه کاربر متوجه شود ویدئو دوباره شروع شده است.[2][4]
این بهینه‌سازی بی‌امان برای زمان تماشا همچنین پدیده معروف به «سوراخ خرگوش» (rabbit hole) را هدایت میکند. از آنجا که الگوریتم دائماً به دنبال به حداقل رساندن خطر بستن اپلیکیشن توسط کاربر است، خوشه‌ی محتوایی را که ارائه میدهد، به شدت محدود میکند.
اگر کاربری روی ویدئویی در مورد یک سرگرمی خاص و تخصصی مکث کند، سیستم به سرعت فید را با محتوای مشابه اشباع میکند و مرزهای آن علاقه را آزمایش میکند. در حالی که این امر یک تجربه بسیار جذاب در کوتاه‌مدت ایجاد میکند، اما به طور سیستماتیک تنوع فید را در طول زمان کاهش میدهد.[3][4]
توهم کنترل شاید جذاب‌ترین جنبه طراحی سیستم باشد. ویژگی‌هایی مانند دکمه «علاقهمند نیستم» یا توانایی فیلتر کردن کلمات کلیدی خاص، حس عاملیت را به کاربران می‌دهند، اما تأثیر واقعی آنها بر وزن‌های ریاضی توسط داده‌های رفتاری به شدت رقیق می‌شود. اگر کاربری ویدئویی را به عنوان غیرجذاب علامت‌گذاری کند اما همچنان ویدئوهای مشابه را تا انتها تماشا کند، الگوریتم سیگنال ضمنی زمان تماشا را بر بازخورد منفی صریح اولویت میدهد و رفتار کاربر را شاخص قابل اعتماد‌تری از قصد او نسبت به ترجیح اعلام شده‌اش می‌داند.[1][3]
علاوه بر این، الگوریتم طراحی شده است تا به صورت دوره‌ای محتوای «اکتشافی» را به فید تزریق کند. این کار دو هدف دارد: از خسته شدن کاربر در یک خوشه محتوایی فوق‌العاده محدود جلوگیری میکند و به سیستم اجازه میدهد تا پاسخ‌های رفتاری جدید را برای گسترش گراف علایق کاربر آزمایش کند.
این ویدئوهای اکتشافی تصادفی نیستند؛ آنها ریسک‌های محاسبه شده‌ای هستند که بر اساس خوشه‌های مجاوری که کاربران با پروفایل‌های رفتاری مشابه با آنها درگیر شده‌اند، انجام می‌شوند. اگر ویدئوی اکتشافی نتواند زمان تماشا را جلب کند، سیستم به خوشه تثبیت شده بازمی‌گردد.[1][4]
درک سازوکار صفحه «برای شما» ضروری است زیرا نشان‌دهنده یک تغییر الگو در نحوه توزیع اطلاعات است. این نه یک فید زمانی است و نه یک شبکه اجتماعی. بلکه یک حراج رفتاری پیوسته و بلادرنگ است که در آن هر میلی‌ثانیه تردید، هر حلقه و هر سوایپ کمی‌سازی، وزن‌دهی و استفاده می‌شود تا دقیقاً توالی پیکسلی را پیش‌بینی کند که به احتمال زیاد یک انسان را به نگاه کردن به صفحه نمایش مشغول نگه می‌دارد. این خالص‌ترین بیان از اقتصاد توجه است که تاکنون مهندسی شده است.[2][4]
اصطلاحات کلیدی
- گراف علایق
- یک مدل توزیع محتوا که کاربران را بر اساس الگوهای رفتاری مشترک و عادات تماشا، و نه ارتباطات اجتماعی واقعی آنها، به هم متصل میکند.
- مسئله شروع سرد
- چالشی که یک الگوریتم هنگام ارزیابی یک محتوای کاملاً جدید که هیچ داده تعامل تاریخی برای نشان دادن کیفیت آن ندارد، با آن روبرو می‌شود.
- سیگنال‌های ضمنی
- داده‌های رفتاری غیرفعال، مانند اینکه کاربر چند ثانیه روی یک ویدئو مکث میکند یا اجازه میدهد حلقه شود، که سیستم برای استنباط علاقه از آنها استفاده میکند.
- سیگنال‌های صریح
- انتخاب‌های فعال و آگاهانه‌ای که توسط کاربر انجام می‌شود، مانند فشار دادن دکمه لایک، گذاشتن کامنت یا اشتراک‌گذاری ویدئو با یک دوست.
پرسش‌های متداول
آیا دکمه «علاقهمند نیستم» واقعاً کار میکند؟
در حالی که این دکمه یک سیگنال منفی به الگوریتم میدهد، مطالعات تجربی نشان میدهد که اگر همچنان ویدئوهای مشابه را تا انتها تماشا کنید، سیستم زمان تماشای واقعی شما را بر استفاده صریح شما از دکمه اولویت خواهد داد.
چرا ویدئوهایی با صفر لایک در فید من میبینم؟
این بخشی از فرآیند آزمایش دستهای «شروع سرد» است. الگوریتم ویدئوهای جدید و آزمایش نشده را به گروههای کوچکی از کاربران ارسال میکند تا زمان تماشا و نرخ تکمیل اولیه را اندازهگیری کند، قبل از اینکه تصمیم بگیرد آنها را بیشتر توزیع کند.
آیا برای تیکتاک مهم است که من چه کسی را دنبال میکنم؟
برخلاف شبکههای اجتماعی قدیمی، تیکتاک بر اساس «گراف علایق» و نه «گراف اجتماعی» ساخته شده است. در حالی که دنبال کردن یک حساب یک سیگنال است، الگوریتم به شدت آنچه را که واقعاً صرف تماشای آن میکنید، اولویت میدهد، صرف نظر از اینکه چه کسی آن را منتشر کرده است.
بررسی عمیق دیدگاه‌ها
خوش‌بینان الگوریتمی
طرفداران گراف علایق استدلال می‌کنند که این مدل یک شایسته‌سالاری خالص برای تولیدکنندگان محتوا ایجاد میکند.
از دیدگاه مهندسان پلتفرم و تولیدکنندگان محتوای موفق، تغییر از گراف اجتماعی به گراف علایق یک نیروی دموکراتیک‌ساز است. پلتفرم‌های قدیمی از تولیدکنندگان محتوا می‌خواستند که به آرامی یک پایگاه دنبال‌کننده بسازند تا محتوایشان به مخاطبان گسترده برسد. مکانیسم آزمایش دستهای تیکتاک به این معنی است که هر ویدئو بر اساس شایستگی‌های خود ارزیابی می‌شود و به تولیدکنندگان ناشناس اجازه میدهد در صورت همخوانی محتوایشان با گروه آزمایشی اولیه، یک شبه به توزیع ویروسی دست یابند. در این دیدگاه، الگوریتم صرفاً یک واسطه بسیار کارآمد است که محتوای تخصصی را با همان مخاطبی که آن را می‌خواهد، مرتبط میکند.
محققان رفتاری
دانشگاهیان هشدار می‌دهند که بهینه‌سازی صرفاً برای زمان تماشا، عاملیت کاربران را سلب کرده و حلقه‌های اعتیادآور ایجاد میکند.
محققانی که تعامل انسان و کامپیوتر را مطالعه می‌کنند، اشاره می‌کنند که آنچه توجه ما را جلب میکند، همیشه آن چیزی نیست که واقعاً برای ما ارزش دارد یا می‌خواهیم مصرف کنیم. با اولویت دادن به سیگنال‌های ضمنی مانند زمان تماشا بر سیگنال‌های صریح مانند لایک یا دکمه «علاقهمند نیستم»، الگوریتم عملاً فرآیند تصمیم‌گیری آگاهانه کاربر را دور می‌زند. این امر سیستمی ایجاد میکند که برای مصرف منفعل و اجباری بهینه شده است تا مدیریت فعال، که منجر به اثر «سوراخ خرگوش» می‌شود، جایی که کاربران به طور سیستماتیک با محتوای فزاینده محدود و گاهی افراطی تغذیه می‌شوند، صرفاً به این دلیل که برایشان سخت بوده است که نگاه نکنند.
تحلیلگران صنعت
تحلیلگران کسب‌وکار الگوریتم را به عنوان یک موتور حفظ کاربر بسیار تنظیم شده برای به حداکثر رساندن درآمد تبلیغاتی می‌بینند.
برای کسانی که مکانیک کسب‌وکار رسانه‌های اجتماعی را تحلیل می‌کنند، الگوریتم نه یک واسطه خیرخواه است و نه یک دستگاه کنترل ذهن مخرب؛ بلکه صرفاً یک بهینه‌سازی ریاضی برای موجودی تبلیغات است. اسناد مهندسی درز کرده تأیید می‌کنند که هدف اصلی افزایش کاربران فعال روزانه و زمان صرف شده در پلتفرم است. هر ویژگی، از رابط کاربری سوایپ یکپارچه گرفته تا وزن‌دهی نرخ‌های تکمیل، مهندسی شده است تا اصطکاک را کاهش دهد و از بستن اپلیکیشن توسط کاربر جلوگیری کند، در نتیجه تعداد تبلیغاتی را که پلتفرم می‌تواند ارائه دهد، به حداکثر می‌رساند.
- محققان رفتاری
- بر بهینه‌سازی سیستم برای مصرف غیرفعال تمرکز می‌کنند و هشدار می‌دهند که اولویت دادن به زمان تماشای ضمنی بر عاملیت صریح، حلقه‌های بازخورد اعتیادآور ایجاد میکند.
- خوش‌بینان الگوریتمی
- استدلال می‌کنند که گراف علایق، کشف محتوا را دموکراتیزه میکند و به هر کسی اجازه میدهد صرفاً بر اساس کیفیت محتوا و نه تعداد دنبال‌کنندگان موجود، مخاطب پیدا کند.
- تحلیلگران صنعت
- الگوریتم را در درجه اول به عنوان یک موتور حفظ کاربر بسیار کارآمد می‌بینند که برای به حداکثر رساندن کاربران فعال روزانه و موجودی تبلیغات طراحی شده است.
دیدگاه‌هایی که این گزارش پوشش نداده
- ناظران محتوا
- روانشناسان کودک
منابع
پوشش منابع
4 منبع
3 دیدگاه شناسایی‌شده
- [1]TikTok Newsroomخوش‌بینان الگوریتمی
How TikTok recommends videos #ForYou
مطالعه در TikTok Newsroom → - [2]The New York Timesتحلیلگران صنعت
TikTok’s Viral Success Is Rooted in a ‘Secret Sauce’
مطالعه در The New York Times → - [3]arXivمحققان رفتاری
When 'For You' Isn't For You: Measuring User Agency in TikTok's Algorithmic Feed
مطالعه در arXiv → - [4]تیم سردبیری کوهستانمحققان رفتاری
تحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
بیشتر در فناوری
مشاهده همه →شفافیت هوش مصنوعی
عدم تبعیت توسعه‌دهندگان بزرگ هوش مصنوعی از قوانین شفافیت کالیفرنیا و اتحادیه اروپا
6 منبع
سیاست هوش مصنوعی
چارچوب امنیتی هوش مصنوعی کاخ سفید مدل‌های «باز» را از بررسی پیش از انتشار معاف کرد
4 منبع
سیاست‌های پلتفرم
متا بازنگری عمده‌ای در تعدیل محتوا انجام میدهد و راستی‌آزمایی شخص ثالث را کنار می‌گذارد
3 منبع
تنظیم مقررات پلتفرم
چگونه چهار ایالت آمریکا پرونده‌ای ۱.۴ تریلیون دلاری علیه متا به دلیل اعتیاد جوانان تشکیل دادند
3 منبع
نظرات
هر زاویه. هر روز.
اخبار فناوری با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.