譯者 | 李睿

審校 | 重樓

X（前身為Twitter）近期公布了其推薦系統(tǒng)的核心細(xì)節(jié)，首次向公眾開(kāi)放了驅(qū)動(dòng)“For You”信息流（Feed）的40多萬(wàn)行代碼。這不僅是一次技術(shù)層面的更新，更為創(chuàng)作者和用戶(hù)提供了一個(gè)真正理解平臺(tái)內(nèi)容分發(fā)內(nèi)在邏輯的契機(jī)。這些規(guī)則揭示了推文一夜爆紅或沉寂無(wú)聲背后的機(jī)制，也解釋了某些賬號(hào)能夠持續(xù)獲得高曝光度，而其他帳號(hào)卻難以吸引粉絲的原因。對(duì)于希望擴(kuò)大影響力的創(chuàng)作者來(lái)說(shuō)，理解算法規(guī)則已經(jīng)不再是一種選擇，而是獲得成功的必備能力。

聲譽(yù)評(píng)分：用戶(hù)帳號(hào)的隱形排名

在X平臺(tái)上，每個(gè)賬號(hào)都擁有一個(gè)隱藏的“聲譽(yù)評(píng)分”，這一評(píng)分直接決定了用戶(hù)所發(fā)內(nèi)容的傳播范圍。它不僅影響推文能否出現(xiàn)在用戶(hù)的時(shí)間線中，也掌控著回復(fù)的排序與可見(jiàn)性。

其具體規(guī)則如下：

• 新賬號(hào)初始評(píng)分為-128，在起步階段幾乎難以接觸到廣泛的受眾。
• 藍(lán)標(biāo)訂閱用戶(hù)的評(píng)分可以立即提升至+100，獲得顯著的優(yōu)勢(shì)；
• 早先認(rèn)證賬號(hào)（在X推出訂閱模式之前獲得認(rèn)證的賬號(hào)）具有更高的加成。
• 表現(xiàn)出色的熱門(mén)賬號(hào)將持續(xù)獲得算法的優(yōu)先推薦。

創(chuàng)作者可以將聲譽(yù)評(píng)分視為其在X平臺(tái)上的“內(nèi)容信用分”。評(píng)分越高，代表推薦系統(tǒng)越信任其賬號(hào)，推文也會(huì)得到更多推送；與其相反，如果評(píng)分較低，即使內(nèi)容優(yōu)質(zhì)，也容易淹沒(méi)于信息流中。

TweetCred系統(tǒng)（持續(xù)有效）

TweetCred：仍在影響內(nèi)容傳播

盡管X曾公開(kāi)表示將逐步淘汰舊有系統(tǒng)，但事實(shí)上，TweetCred機(jī)制至今仍在后臺(tái)運(yùn)行，持續(xù)對(duì)內(nèi)容的推薦與傳播發(fā)揮作用。這一隱藏評(píng)分體系從多個(gè)維度評(píng)估用戶(hù)行為，主要包括：

• 賬號(hào)的注冊(cè)時(shí)長(zhǎng)和活躍度。
• 粉絲質(zhì)量和真實(shí)互動(dòng)情況。
• 粉絲與關(guān)注者的比例。
• 設(shè)備使用和登錄模式。

實(shí)際上，未認(rèn)證賬號(hào)往往需要獲得相當(dāng)于認(rèn)證賬號(hào)10倍的互動(dòng)量，才有可能觸達(dá)同等的受眾規(guī)模。許多創(chuàng)作者在不知情的情況下，受制于這一隱形機(jī)制，使其粉絲增長(zhǎng)持續(xù)受限。

代碼片段說(shuō)明：

以下代碼片段摘自Twitter/X的算法代碼庫(kù)，展示了系統(tǒng)如何識(shí)別和記錄用戶(hù)對(duì)某些內(nèi)容或賬戶(hù)的負(fù)面反饋信號(hào)。

實(shí)際上，這意味著未認(rèn)證賬號(hào)需要獲得比認(rèn)證賬號(hào)多10倍的互動(dòng)量，才能獲得相同的覆蓋面。許多創(chuàng)作者發(fā)現(xiàn)自己陷入困境，卻不知道他們受到這一隱藏規(guī)則的阻礙。

def getLastNegativeFeedbackTime(userId: Long): Stitch[Option[Time]] = {
 val enabledNegativeSignalTypes = Seq(
 SignalType.AccountBlock,
 SignalType.AccountMute,
 SignalType.TweetSeeFewer,
 SignalType.TweetReport,
 SignalType.TweetDontLike
 )
 // negative signals
 val maybeNegativeSignals =
 enabledNegativeSignalTypes.map { negativeSignal =>
 SignalRequest(
 maxResults = Some(1), // Only most recent needed
 signalType = negativeSignal
 )
 }
}
def getLastNegativeFeedbackTime(userId: Long): Stitch[Option[Time]] = {
 val enabledNegativeSignalTypes = Seq(
 SignalType.AccountBlock,
 SignalType.AccountMute,
 SignalType.TweetSeeFewer,
 SignalType.TweetReport,
 SignalType.TweetDontLike
 )
 // negative signals
}

點(diǎn)擊這里了解更多。

限制內(nèi)容傳播的隱藏標(biāo)簽

除了聲譽(yù)評(píng)分之外，X平臺(tái)還會(huì)為部分內(nèi)容自動(dòng)添加一系列隱形標(biāo)簽，這些標(biāo)簽會(huì)顯著限制內(nèi)容的推薦與傳播范圍。常見(jiàn)的限制性標(biāo)簽包括：

• 不推薦（DoNotAmplify）：如果賬號(hào)評(píng)分過(guò)低，其內(nèi)容傳播范圍將被縮小90%以上；
• 高度加密垃圾信息評(píng)分（HighCryptoSpamScore）：主要針對(duì)頻繁發(fā)布加密貨幣相關(guān)內(nèi)容的賬號(hào)；
• 垃圾回復(fù)降級(jí)（DownrankSpamReply）：對(duì)過(guò)度回復(fù)行為進(jìn)行算法降權(quán)，社區(qū)管理員類(lèi)賬號(hào)尤其易受影響；
• 復(fù)制粘貼垃圾內(nèi)容（CopyPastaSpam）：用于識(shí)別并限制重復(fù)發(fā)布熱門(mén)表情包或短語(yǔ)的低質(zhì)量推文；
• 內(nèi)容重復(fù)（DuplicateContent）：自動(dòng)標(biāo)記重復(fù)或高度相似的帖子，限制其流量增長(zhǎng)。

許多創(chuàng)作者曾經(jīng)遇到內(nèi)容傳播量在幾周內(nèi)急劇下降的情況，卻始終找不到原因——這些隱形標(biāo)簽往往是真正的限制因素。

三個(gè)月的隱形懲罰機(jī)制

如果用戶(hù)對(duì)某位創(chuàng)作者的內(nèi)容執(zhí)行了以下負(fù)面操作，該創(chuàng)作者的賬號(hào)將在算法層面受到長(zhǎng)達(dá)三個(gè)月的隱形懲罰，例如：

• 點(diǎn)擊“我對(duì)這條推文不感興趣”。
• 選擇“減少顯示此類(lèi)推文”。
• 舉報(bào)該創(chuàng)作者的內(nèi)容（即使是惡意或虛假舉報(bào)同樣生效）。
• 屏蔽或靜音其賬號(hào)。
• 瀏覽創(chuàng)作者的推文內(nèi)容時(shí)間不足2秒。

def getLastNegativeFeedbackTime(userId: Long): Stitch[Option[Time]] = {
 val enabledNegativeSignalTypes = Seq(
 SignalType.AccountBlock,
 SignalType.AccountMute,
 SignalType.TweetSeeFewer,
 SignalType.TweetReport,
 SignalType.TweetDontLike
 )
 // negative signals
 val maybeNegativeSignals =
 enabledNegativeSignalTypes.map { negativeSignal =>
 SignalRequest(
 maxResults = Some(1), // Only most recent needed
 signalType = negativeSignal
 )
 }
}

關(guān)鍵影響：一條引發(fā)大量負(fù)面操作的惡意推文，可能導(dǎo)致創(chuàng)作者在未來(lái)三個(gè)月內(nèi)內(nèi)容傳播嚴(yán)重受限。而X平臺(tái)無(wú)法識(shí)別或區(qū)分真實(shí)反饋與惡意攻擊之間的差別。

以下為一些常見(jiàn)可能引發(fā)賬號(hào)被降權(quán)或限制的算法規(guī)則：

• 發(fā)布可能傷害個(gè)人或群體情感的冒犯性?xún)?nèi)容；
• 用戶(hù)名中使用冒犯性短語(yǔ)或文字；
• 發(fā)布全大寫(xiě)字母的推文，推薦系統(tǒng)可能將其判定為情緒化宣泄，從而導(dǎo)致推送范圍減少或聲譽(yù)評(píng)分下降；
• 避免使用受限或被標(biāo)記的詞語(yǔ)，因?yàn)樗惴〞?huì)監(jiān)控特定詞語(yǔ)。

/** Configure from a config file, validate the configuration. */
public TweetTextScorer(String configFile) {
 TweetProcessingConfig.init(configFile);
 // get dampings
 checkWeightRange(offensiveTermDamping = TweetProcessingConfig
 .getDouble("offensive_term_damping", DEFAULT_OFFENSIVE_TERM_DAMPING));
 checkWeightRange(offensiveNameDamping = TweetProcessingConfig
 .getDouble("offensive_name_damping", DEFAULT_OFFENSIVE_NAME_DAMPING));
 // get weights
 checkWeightRange(lengthWeight = TweetProcessingConfig
 .getDouble("length_weight", DEFAULT_LENGTH_WEIGHT));
 checkWeightRange(readabilityWeight = TweetProcessingConfig
 .getDouble("readability_weight", DEFAULT_READABILITY_WEIGHT));
 checkWeightRange(shoutWeight = TweetProcessingConfig
 .getDouble("shout_weight", DEFAULT_SHOUT_WEIGHT));
 checkWeightRange(entropyWeight = TweetProcessingConfig
 .getDouble("entropy_weight", DEFAULT_ENTROPY_WEIGHT));
 checkWeightRange(linkWeight = TweetProcessingConfig
 .getDouble("link_weight", DEFAULT_LINK_WEIGHT));
}

• 內(nèi)容濫發(fā)可能會(huì)導(dǎo)致帳號(hào)面臨麻煩

算法有自己的一套規(guī)則，如果創(chuàng)作者的推文不遵守這些規(guī)則，那么其賬戶(hù)很有可能會(huì)受到懲罰或降低推送權(quán)重。

userRules = Seq(
 AbusiveRule,
 LowQualityRule,
 ReadOnlyRule,
 CompromisedRule,
 SpamHighRecallRule,
 DuplicateContentRule,
 AbusiveHighRecallRule,
 EngagementSpammerNonFollowerWithUqfRule,
 EngagementSpammerHighRecallNonFollowerWithUqfRule,
 DownrankSpamReplyNonFollowerWithUqfRule
)

助力推薦系統(tǒng)：算法優(yōu)勢(shì)實(shí)現(xiàn)最大化

早期認(rèn)證的好處

創(chuàng)作者的推特賬號(hào)獲得藍(lán)標(biāo)認(rèn)證可以帶來(lái)以下競(jìng)爭(zhēng)優(yōu)勢(shì)：

• 聲譽(yù)評(píng)分從-128瞬立即提升至100。
• 社交網(wǎng)絡(luò)內(nèi)部的互動(dòng)量提升4倍。
• 社交網(wǎng)絡(luò)外部的互動(dòng)量提升2倍。
• 回復(fù)內(nèi)容獲得優(yōu)先展示權(quán)限。
• 在搜索結(jié)果中的排名顯著提高。

def recordViralContentStats(
 candidates: Seq[ItemCandidateWithDetails],
 statsReceiver: StatsReceiver,
 clientId: String
): Unit = {
 val viralContentCount = candidates.count { candidate =>
 candidate.features.getOrElse(ViralContentCreatorFeature, false)
 }
 val viralContentInNetworkCount = candidates.count { candidate =>
 candidate.features.getOrElse(ViralContentCreatorFeature, false) &&
 candidate.features.getOrElse(InNetworkFeature, true)
 }
 val viralContentOutOfNetworkCount = candidates.count { candidate =>
 candidate.features.getOrElse(ViralContentCreatorFeature, false) &&
 !candidate.features.getOrElse(InNetworkFeature, true)
 }
}

早期認(rèn)證獲得額外獎(jiǎng)勵(lì)

如果創(chuàng)作者曾在原平臺(tái)（即改版前）獲得認(rèn)證身份，除了享有現(xiàn)有藍(lán)標(biāo)認(rèn)證的各項(xiàng)權(quán)益之外，還可額外獲得算法層面的特別獎(jiǎng)勵(lì)，包括但不限于內(nèi)容傳播范圍加成及違規(guī)處罰減免等優(yōu)勢(shì)。

內(nèi)容類(lèi)型與算法加成機(jī)制

一般而言，X平臺(tái)的算法對(duì)不同內(nèi)容類(lèi)型的處理方式差異顯著：

視頻內(nèi)容占據(jù)主導(dǎo)地位

符合“10秒規(guī)則”的視頻可以獲得最高級(jí)別的算法加成——即觀眾觀看時(shí)長(zhǎng)超過(guò)10秒的視頻將獲得以下加成效果：

• 視頻內(nèi)容比推文的點(diǎn)擊率高出340%；
• 可以提交轉(zhuǎn)發(fā)內(nèi)容，使其展示在視頻輪播圖中；
• 視頻內(nèi)容更有可能被同步分發(fā)至其他平臺(tái)，擴(kuò)大傳播范圍；
• 降低賬號(hào)因其他內(nèi)容違規(guī)而被處罰的風(fēng)險(xiǎn)。

視頻可以通過(guò)以下方式進(jìn)行優(yōu)化：

• 利用視頻前三秒和精彩內(nèi)容吸引觀眾；
• 添加字幕，提升觀看完成率和信息接收效果；
• 確保視頻在移動(dòng)端具有良好兼容性與觀看體驗(yàn)；
• 設(shè)計(jì)明確的結(jié)尾引導(dǎo)或互動(dòng)環(huán)節(jié)，以保持觀眾的參與度。

文本優(yōu)化策略

盡管文本的傳播力通常低于視頻，但X平臺(tái)設(shè)有“2秒停留觸發(fā)機(jī)制”——即用戶(hù)停留在文本帖文超過(guò)2秒，即可觸發(fā)算法的流量助推。通過(guò)以下方法可優(yōu)化文本內(nèi)容效果：

互動(dòng)價(jià)值分層

X平臺(tái)的推薦算法對(duì)不同互動(dòng)行為賦予不同權(quán)重，按價(jià)值從高至低分布如下：

高價(jià)值互動(dòng)

• 收藏（5倍加成）：用戶(hù)認(rèn)為內(nèi)容極具保存價(jià)值，是獲得最高認(rèn)可的信號(hào)。
• 帶評(píng)轉(zhuǎn)發(fā)（4倍加成））：表明內(nèi)容引發(fā)足夠的興趣，促使他人發(fā)表評(píng)論。
• 高質(zhì)量回復(fù)（3倍加成）：超過(guò)10個(gè)詞語(yǔ)且有實(shí)質(zhì)內(nèi)容的回復(fù)，能夠引發(fā)對(duì)話主題的延伸探討。

中價(jià)值互動(dòng)：

• 轉(zhuǎn)發(fā)（2倍加成）：具備一定傳播價(jià)值，但影響力低于帶評(píng)轉(zhuǎn)發(fā)。
• 鏈接點(diǎn)擊：會(huì)被推薦系統(tǒng)記錄，但權(quán)重低于高價(jià)值互動(dòng)。

低價(jià)值互動(dòng)：

• 點(diǎn)贊（1倍加成）：屬于基礎(chǔ)互動(dòng)行為，對(duì)算法推薦影響較弱。

多樣性過(guò)濾機(jī)制：防止內(nèi)容泛濫

X平臺(tái)通過(guò)多樣性過(guò)濾機(jī)制避免單一賬號(hào)或話題壟斷信息流，主要包括：

作者多樣性：

禁止同一賬號(hào)的帖子連續(xù)出現(xiàn)。

限制單個(gè)用戶(hù)每日接收同一創(chuàng)作者內(nèi)容的頻率。

最佳實(shí)踐：采用間隔發(fā)布策略，每2-3小時(shí)發(fā)布一次，避免集中推送。

主題多樣性：

對(duì)熱門(mén)話題的重復(fù)討論會(huì)受到“低質(zhì)內(nèi)容系數(shù)”懲罰。

原創(chuàng)性強(qiáng)且有深度的觀點(diǎn)將獲得推薦獎(jiǎng)勵(lì)。

實(shí)用優(yōu)化策略

希望在X平臺(tái)上實(shí)現(xiàn)流量的持續(xù)增長(zhǎng)，創(chuàng)作者需制定與算法機(jī)制高度契合的內(nèi)容策略。以下為經(jīng)過(guò)驗(yàn)證的實(shí)用方法：

• 內(nèi)容規(guī)劃：圍繞3～4個(gè)核心主題進(jìn)行輪換創(chuàng)作。在流量高峰時(shí)段發(fā)布具有爭(zhēng)議性或前瞻性的觀點(diǎn)，并通過(guò)系列性?xún)?nèi)容培養(yǎng)用戶(hù)期待感。
• 視頻優(yōu)先策略：專(zhuān)注于制作具有強(qiáng)大吸引力、字幕和適合移動(dòng)設(shè)備的視頻。
• 文本內(nèi)容升級(jí)：發(fā)布一些更長(zhǎng)的、更有見(jiàn)地的、旨在鼓勵(lì)討論的帖子。
• 互動(dòng)計(jì)劃：確保在2小時(shí)內(nèi)回復(fù)評(píng)論，鼓勵(lì)用戶(hù)帶評(píng)轉(zhuǎn)發(fā)和收藏。
• 合理安排發(fā)布時(shí)間：每天發(fā)布3～5條優(yōu)質(zhì)內(nèi)容，可以間隔2～3小時(shí)分別推送。優(yōu)先選擇當(dāng)?shù)亓髁扛叻鍟r(shí)段（例如美國(guó)東部時(shí)間上午9～11點(diǎn)及晚間7～9點(diǎn)），并加強(qiáng)周末內(nèi)容發(fā)布（周末表現(xiàn)通常優(yōu)于工作日）。

結(jié)論

2025年的算法更新徹底改變了X平臺(tái)的流量增長(zhǎng)規(guī)則。聲譽(yù)評(píng)分、隱藏標(biāo)簽和互動(dòng)價(jià)值如今已經(jīng)成為決定賬號(hào)崛起或沉寂的關(guān)鍵因素。盡管大多數(shù)用戶(hù)對(duì)這些機(jī)制一無(wú)所知，但理解規(guī)則的人將會(huì)獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。

在X平臺(tái)上獲得成功，從不依賴(lài)于發(fā)布的作品數(shù)量，而取決于內(nèi)容的質(zhì)量。創(chuàng)作者需要專(zhuān)注于創(chuàng)造能夠引發(fā)對(duì)話、獲得收藏并建立信任的高價(jià)值內(nèi)容。算法將持續(xù)獎(jiǎng)勵(lì)那些保持穩(wěn)定更新、堅(jiān)持原創(chuàng)并致力于社區(qū)建設(shè)的賬號(hào)。當(dāng)創(chuàng)作者的策略符合這些規(guī)則時(shí)，推薦算法不再是限制流量增長(zhǎng)的障礙，而是會(huì)成為推動(dòng)內(nèi)容創(chuàng)新的核心引擎。

原文標(biāo)題：Inside X’s Recommendation Algorithm: How the “For You” Feed Really Works，作者：Riya Bansal