الگوریتم تیکتاک چگونه کار میکند؟
آیا تا به حال در تیکتاک پیمایش کردهاید و به این فکر افتادهاید: "من به دنبال نحوه کشیدن خط چشم بودم، و حالا دارند به من یک دستور پخت بیسکویت عالی نشان میدهند"؟ یا ویدیویی از یک گربه را پسندیدهاید، و یک ساعت بعد کل فید شما در مورد فلسفه رواقی است؟
به واقعیت ۲۰۲۶ خوش آمدید.
سوال چگونه کار کردن الگوریتم تیکتاک محبوبترین سوال بین بلاگرها، بازاریابان و کاربران عادی است. موضع رسمی این پلتفرم اینگونه بیان میشود: "ما به شما آنچه علاقه دارید را نشان میدهیم." اما حقیقت پیچیدهتر است. الگوریتمهای تیکتاک یک رواندرمانگر عصبی هستند که شما را بهتر از مادرتان میشناسند.
چرا تماشای ویدیوهای آرایشی به ترفندهای آشپزی منجر میشود؟ چرا به یک گیمر کار بافتنی و به یک حسابدار – ساخت و ساز خانه نشان داده میشود؟
امروز، "جعبه سیاه" سیستم توصیه را باز خواهیم کرد. ما ۷ لایه رتبهبندی را کالبدشکافی میکنیم و ثابت میکنیم: الگوریتم تیکتاک فقط محتوا را انتخاب نمیکند – بلکه شخصیت شما را از نو میسازد.
بخش ۱. کالبدشناسی الگوریتم: از "برای تو" تا "این تو هستی"
برای درک چگونگی کارکرد الگوریتم تیکتاک، هر چیزی را که در مورد اینستاگرام و یوتیوب میدانید فراموش کنید. آنها با گرافهای اجتماعی (چه کسی چه کسی را دنبال میکند) کار میکنند. تیکتاک گرافهای شناختی دارد. برایش اشتراکها مهم نیستند. فقط به یک چیز اهمیت میدهد: مغز شما با ویدیوها چه میکند.
سه لایه اساسی توصیههای تیکتاک:
- سیگنالهای کاربر — آنچه شما واقعا انجام دادهاید: تا انتها تماشا کردهاید، حلقه کردهاید، برای دوستی فرستادهاید، روی "علاقه ندارم" کلیک کردهاید.
- اطلاعات ویدیو — زیرنویسهای مخفی، آهنگ صوتی، هشتگها، اشیا در قاب (هوش مصنوعی آنها را به طور خودکار تشخیص میدهد).
- موضوع دستگاه — زبان رابط، موقعیت جغرافیایی، مدل گوشی، زمان روز.
اما تفاوت اصلی بین تیکتاک و یوتیوب فاکتور زمان است. یوتیوب به یاد میآورد که شما ۵ سال پیش چه چیزی را دوست داشتید. تیکتاک به یاد میآورد که شما ۵ دقیقه پیش چه چیزی را دوست داشتید و فید را فورا دوباره پیکربندی میکند.
دقیقا به دلیل این یادگیری مجدد مداوم است که این پدیده به وجود میآید: شما روی یک ویدیوی آرایشی کلیک کردید، آن را به طور کامل تماشا نکردید (خسته کننده بود)، سپس یک ویدیوی غذایی را پسندیدید (خوشمزه بود). الگوریتم نتیجه میگیرد: "این کاربر آرایش را خسته کننده مییابد، اما غذا را جالب. بیایید لوازم آرایش را حذف کنیم و پیتزا اضافه کنیم."
اما این یک مورد ساده است. ارتباط عمیقتر بسیار جالبتر است.
بخش ۲. اثر "نورونهای همسایه": چرا آرایش و آشپزی خویشاوند هستند
چرا تماشای ویدیوهای آرایشی از دیدگاه ریاضیات و شبکههای عصبی به ترفندهای آشپزی منجر میشود؟
پاسخ در خوشهبندی بیندامنهای نهفته است. شبکه عصبی تیکتاک هر ویدیو را به الگوهای ریز تجزیه میکند. ریمل را از آرد تشخیص نمیدهد. یک الگوی رفتاری را تشخیص میدهد.
آنچه الگوریتم در یک ویدیوی آرایشی میبیند:
- سرنخهای بصری: نمای نزدیک از صورت، دستها، برسها، آینه، نور مستقیم
- سرنخهای شنیداری: نجواها، صداهای ASMR استفاده، موسیقی بیکلام
- سرنخهای رفتاری: دستورالعمل ("ابتدا زیرساز، سپس کرم پودر")، تغییر "قبل/بعد"، تمرکز بر جزئیات
آنچه الگوریتم در یک ویدیوی ترفند آشپزی میبیند:
- سرنخهای بصری: نمای نزدیک از دستها، کاسه، کاردک، مواد شل، فرآیند مخلوط کردن
- سرنخهای شنیداری: صدای جلز و ولز روغن، صدای کوبیدن چاقو روی تخته، صدای آرام گفتار
- سرنخهای رفتاری: دستورالعمل ("ابتدا آرد، سپس تخم مرغ")، تغییر "خمیر/پای"، تمرکز بر احساسات لمسی
آیا تصادفات را میبینید؟
الگوریتم نتیجه میگیرد: "کاربر دوست دارد فرآیند خلق یک نتیجه را با دستان خود تماشا کند." و به شما فرآیند مشابه بعدی را میدهد — آشپزی.
نمونههای دیگر از ارتباطات غیر واضح:
- شما عروسی یک بلاگر را تماشا کردید ← الگوریتم تصمیم گرفت: شما آیینهای اجتماعی و پیروی از سنتها را دوست دارید ← به شما نشان داده میشود: آیین قهوه صبح، مراسم مذهبی، تمرینات برنامهریزی شده.
- شما به بازسازی آپارتمان علاقهمند شدید ← الگوریتم تصمیم گرفت: شما از تغییر بصری فضا لذت میبرید ← به شما نشان داده میشود: نظافت، چیدمان مجدد کمد لباس، سازماندهی میز کار قبل/بعد.
- شما یک چالش رقص را تماشا میکنید ← الگوریتم تصمیم گرفت: شما ریتم و حرکات تکراری چرخهای را دوست دارید ← به شما نشان داده میشود: ورزش، بوکس، مونتاژ مکعب روبیک، ویرایش ویدیو با ضرب آهنگ.
- شما در حال یادگیری کشیدن خط چشم (آرایش) هستید ← الگوریتم تصمیم گرفت: شما آیینهای خودآرایی صبحگاهی را دوست دارید ← به شما نشان داده میشود: آمادهسازی صبحانه، یک لیوان آب لیمو، جملات تاکیدی صبحگاهی.
یعنی، الگوریتم تیکتاک ویدیوها را نه بر اساس موضوعات، بلکه بر اساس سناریوهای عاطفی و رفتاری به هم متصل میکند.
بخش ۳. یادگیری عمیق: چگونه الگوریتم خواستههای شما را قبل از اینکه خودتان بفهمید پیشبینی میکند
شما فکر میکنید تلفنتان را کنترل میکنید. اما الگوریتم تیکتاک واقعا چگونه کار میکند؟ از یادگیری تقویتی استفاده میکند.
هر عملی که انجام میدهید، پاداش یا تنبیهی برای شبکه عصبی است.
سیستم وزندهی عمل (بر اساس تحلیل پتنتهای تیکتاک ۲۰۲۴-۲۰۲۵ و نشت اطلاعات از مهندسان سابق):
- تماشای ویدیو تا انتها ← +۱۰ امتیاز. قویترین سیگنال. شما جذب شدهاید.
- بازبینی / حلقه کردن (۲+ بار) ← +۵۰ امتیاز. الگوریتم هیجان زده است. شما معتاد شدهاید.
- لایک ← +۵ امتیاز. خوب، اما ضعیف. لایکها اغلب از روی عادت داده میشوند.
- کامنت ← +۱۵ امتیاز. تعامل سطح بالا.
- بازنشر / اشتراکگذاری ← +۲۰ امتیاز. اعتبار اجتماعی. الگوریتم آن را دوست دارد.
- رد کردن (بدون توقف) ← -۵ امتیاز. بد.
- کلیک روی "علاقه ندارم" ← -۱۰۰ امتیاز. یک کابوس. الگوریتم این موضوع را برای هفتهها به خاطر خواهد داشت.
حالا برگردیم به مثال آرایش ما.
شما یک ویدیوی آرایشی را تماشا میکنید. سناریو خسته کننده است. شما تا نیمه پیمایش میکنید و خارج میشوید. الگوریتم سیگنالی دریافت میکند: "آرایش در این الگوی خاص کاربر را حفظ نکرد."
پس از ۳ ویدیو، شما ویدیویی از یک آقا را میبینید که خمیر پیتزا را به شیوه ASMR مخلوط میکند. شما آن را تا انتها تماشا میکنید. سپس دوباره. لایک میکنید.
الگوریتم یادداشت میکند: "کاربر نماهای نزدیک از دستها + دستورالعملها + ASMR لمسی را دوست دارد."
خدمات ما برای استریمرها

Shopee
خدمات ما برای تولیدکنندگان محتوا










