في خطوة رائدة للتكنولوجيا الصينية، كشفت Douyin (النسخة الصينية من TikTok) علنًا عن تفاصيل خوارزمية التوصية الخاصة بها لأول مرة. في أواخر مارس 2025، أطلقت Douyin موقعًا إلكترونيًا جديدًا "لمركز الأمان والثقة" (95152.douyin.com) يفتح مبادئ خوارزمية التطبيق وسياسات حوكمة المحتوى وآليات سلامة المستخدم للجمهور .
كيف تعمل خوارزمية توصية Douyin
في جوهره، يتعلم نظام توصيات Douyin من سلوك المستخدم . في كل مرة تشاهد فيها مقطع فيديو أو تعجب به أو تشاركه أو تتخطى مقطع فيديو، فإنك تغذي الإشارات في الخوارزمية. يوضح Douyin أن نماذج الذكاء الاصطناعي الخاصة به تحلل "سلوك" المستخدمين - إجراءات مثل النقرات والمشاهدات والإعجابات والمشاركات والمفضلة وما إلى ذلك - لبناء نموذج تنبؤ مخصص. بناءً على تفاعلاتك السابقة وخصائص مقاطع الفيديو المتاحة والسياق، يتنبأ النظام بنوع المحتوى الذي من المحتمل أن تتفاعل معه .
النماذج المتقدمة: كشفت Douyin أنها تستخدم أحدث نماذج التعلم العميق لتشغيل هذه التوصيات. على سبيل المثال، تستخدم نموذج Wide & Deep ونموذج استدعاء البرجين من بين أمور أخرى. يساعد نموذج Wide & Deep (هندسة الشبكة العصبية التي روجت لها Google) على التغلب على الرؤية الضيقة للتصفية التعاونية الأساسية من خلال الجمع بين حفظ التفضيلات المعروفة والتعميم على المحتوى الجديد. من ناحية أخرى، يعمل نموذج البرجين (المزدوج) على تحسين مرحلة "الاستدعاء" - مما يعني أنه يسترجع بشكل أفضل مجموعة من مقاطع الفيديو المرشحة لكل مستخدم من خلال تعلم تمثيلات المستخدمين ومقاطع الفيديو بشكل منفصل ثم مطابقتها. تسمح هذه الخوارزميات المعقدة لـ Douyin بغربلة مجموعة ضخمة من المحتوى بكفاءة وعرض مقاطع فيديو مصممة خصيصًا لكل مستخدم.
إجراءات المستخدم كإشارات: يأخذ نموذج توصية Douyin في الاعتبار مجموعة كبيرة من إجراءات المستخدم عند التنبؤ بما قد تفعله. ووفقًا للإفصاحات، فإنه يأخذ في الاعتبار ما إذا كنت تحب مقطع فيديو أو لا تحبه، أو تتابع منشئه، أو تضيفه إلى المفضلة (إشارة مرجعية)، أو تشاركه، أو تترك تعليقًا أو حتى تنقر على قسم التعليقات، وما إذا كنت تشاهد الفيديو بالكامل أو جزئيًا فقط ، من بين سلوكيات أخرى. حتى أنه ينظر إلى إشارات المشاركة طويلة المدى - على سبيل المثال، هل تعيد زيارة مقطع فيديو أضفته إلى المفضلة لاحقًا، أم تبحث عن محتوى ذي صلة بعد ذلك؟ كل من هذه الإجراءات له "قيمة" إيجابية أو سلبية من حيث الإشارة إلى مستوى اهتمامك. على سبيل المثال، فإن مشاهدة مقطع فيديو حتى النهاية أفضل من التخطي مبكرًا، والإعجاب هو إشارة إيجابية أقوى من عدم التفاعل، وعدم الضغط على "غير مهتم" أفضل من الإشارة بنشاط إلى عدم الإعجاب . يتعلم نموذج تصنيف الخوارزمية باستمرار من هذه الملاحظات. في كل مرة تتفاعل فيها مع مقطع فيديو، يُحدّث النظام فهمه لتفضيلاتك - في الواقع، تُعلن Douyin أنها حققت تحديثات فورية "على مستوى الدقيقة" ، مما يعني إمكانية تعديل التوصيات في غضون دقائق بناءً على التعليقات الجديدة. تُساعد هذه الحلقة السريعة على الحفاظ على طابع المحتوى المُخصص ومُتجاوبًا مع أذواقك، حتى مع تطوره من جلسة لأخرى.
المصدر : https://pandaily.com/p/douyins-algorithm-transparency-drive