杂谈tiktok算法为什么没你想的那么重要随便聊聊

这篇大家可以当鸡汤看，没什么实际技术讲解，纯粹只是我突发奇想对tiktok算法的一些杂聊

我想和大家聊一些相对轻松的话题，探讨一下 TikTok 的核心推荐算法为什么没有大众一般想象的那么重要。

期待交流

我要说明的是，TikTok 的推荐算法确实具有很强的人工智能技术含量，但它最终还是一种商务应用，更多地体现为一个工程问题，而非具体的科研技术问题。

什么是工程问题？什么又是科研技术问题呢？科研技术问题通常是在相对标准的环境下，通过控制相对标准化的输入变量，得到一个可重现的结果，且该结果在给定的范围内。例如，牛顿三定律中，给一个物体施加一个力，就一定会产生速度和加速方面的变化。

工程问题则往往是在一个相对复杂的个性化环境下，输入变量不可控或有大量输入变量，只能控制最关键的少量输入变量，希望得到一个结果，且结果在某一范围内，可能无法直接用函数关系表示，重现的结果可能差异较大。例如，跑步是一个工程问题，在不同的环境下，如温度、湿度、雨雪等，最快的速度从 A 城市到 B 城市可能会有不同的方法，如搭车、骑自行车或搭火车。

对于 TikTok 这样的复杂系统集成，它属于工程问题中的复杂系统集成。一般的标准化工程，如汽车，在中国和美国的使用体验基本相同。但推荐算法在不同的国家和地区可能会有很大的差异，因为商业环境、种族、文化、语言等因素都不同。例如，在中国，人们可能更喜欢看搞笑类的视频；而在美国，人们可能更喜欢看体育类的视频。因此，TikTok 的推荐算法在中国表现良好，但在美国可能需要重新调整和优化。

此外，很多工程问题的最终结果不仅取决于核心技术，还取决于具体的操作经验和细节。例如，光刻机是一个高科技产品，但在安装调试过程中需要专业人员进行操作，否则可能无法正常使用或良品率较低。同样，推荐系统的算法固然重要，但在实际应用中，如何通过有效的 AB test 方法来快速迭代算法，以及如何从业务角度出发优化变量，可能对推荐成功率的影响更大。

比如，在电商领域，推荐系统的目的是为了提高商品的销售转化率。假设我们有一个电商网站，使用了推荐系统来向用户推荐商品。在算法方面，我们可以使用各种机器学习算法，如协同过滤、内容过滤、深度学习等。但是，如果我们不考虑业务细节，可能会导致推荐结果不理想。例如，如果我们只根据用户的购买历史来推荐商品，可能会忽略用户的兴趣爱好和当前需求。因此，我们需要从业务角度出发，对用户进行更细致的画像，了解用户的兴趣爱好、购买行为、浏览历史等信息，以便更好地推荐商品。

再比如，在新闻推荐领域，推荐系统的目的是为了提高用户的阅读体验和留存率。假设我们有一个新闻客户端，使用了推荐系统来向用户推荐新闻。在算法方面，我们可以使用各种自然语言处理技术，如文本分类、情感分析、主题模型等。但是，如果我们不考虑用户的个性化需求，可能会导致推荐结果不精准。例如，如果我们只根据新闻的热度来推荐新闻，可能会忽略用户的兴趣爱好和当前关注的话题。因此，我们需要从业务角度出发，对用户进行更细致的画像，了解用户的兴趣爱好、阅读习惯、地理位置等信息，以便更好地推荐新闻。

不过TikTok 的推荐算法虽然重要，但并不是决定其成功的唯一因素。在未来的发展中，TikTok 还需要面对许多其他的挑战和机遇，需要不断地创新和优化，以适应不同的市场和用户需求。