深挖 X 推荐算法其二：你的互动真的是有效的吗？#

15 种互动行为——你以为的”互动”只是冰山一角#

打开 X 的开源代码，找到 PredictedScoreFeature.scala 文件，你会看到一个让人意外的列表。Phoenix 模型不是预测”用户会不会互动”，而是同时预测 15 种不同的互动行为。

1
val PredictedScoreFeatures: Seq[PredictedScoreFeature] = Seq(
2
  PredictedFavoriteScoreFeature,      // 点赞
3
  PredictedReplyScoreFeature,         // 回复
4
  PredictedRetweetScoreFeature,       // 转推
5
  PredictedReplyEngagedByAuthorScoreFeature,  // 作者回复的互动
6
  PredictedGoodClickConvoDescFavoritedOrRepliedScoreFeature,  // 有效点击（后点赞或回复）
7
  PredictedGoodClickConvoDescUamGt2ScoreFeature,  // 深度停留点击
8
  PredictedGoodProfileClickScoreFeature,  // 有效主页点击
9
  PredictedVideoQualityViewScoreFeature,  // 视频质量观看
10
  PredictedVideoQualityViewImmersiveScoreFeature,  // 沉浸式视频观看
11
  PredictedBookmarkScoreFeature,      // 书签
12
  PredictedShareScoreFeature,         // 分享
13
  PredictedDwellScoreFeature,         // 停留
14
  PredictedVideoQualityWatchScoreFeature,  // 视频质量观看（完整版）
15
  PredictedVideoWatchTimeMsFeature,   // 视频观看时长
16
  PredictedNegativeFeedbackV2ScoreFeature,  // 负面反馈
17
)

15 种。不是 3 种。

而且这 15 种行为被分成了三类：正向互动（点赞、回复、转推等）、中性行为（停留、点击）、负向互动（举报、屏蔽、“不感兴趣”）。

为什么是 15 种而不是 3 种？

因为算法要区分”真的喜欢”和”随便看看”。一个用户点赞了你的帖子，可能是真的喜欢，也可能只是手滑。但如果他点赞后还回复了，或者回复后作者也回复了他，这才是真正的深度互动。

代码里有一个特别的设计：PredictedReplyEngagedByAuthorScoreFeature——当用户回复了你的帖子，而你也回复了他，这个互动的权重会单独计算。这就是为什么很多大 V 会回复粉丝的评论：不只是礼貌，是在给算法喂信号。

权重分配——转推为什么值 20 个赞？#

代码里定义了权重参数，但默认值都是 0.0。这不是 bug，而是设计：权重通过 A/B 测试动态调整，不在代码里硬编码。

1
object ModelWeights {
2
  object FavParam extends FSBoundedParam[Double](
3
    name = "home_mixer_model_weight_fav",
4
    default = 0.0,  // 默认 0，实际值通过配置设置
5
    min = -10000.0,
6
    max = 10000.0
7
  )
8
  object RetweetParam extends FSBoundedParam[Double](
9
    name = "home_mixer_model_weight_retweet",
10
    default = 0.0,
11
    min = -10000.0,
12
    max = 10000.0
13
  )
14
  object ReplyParam extends FSBoundedParam[Double](
15
    name = "home_mixer_model_weight_reply",
16
    default = 0.0,
17
    min = -10000.0,
18
    max = 10000.0
19
  )
20
  // ... 其他权重参数
21
}

虽然默认值是 0，但从代码结构和 Twitter 工程博客的公开信息，我们可以推断出权重的相对大小。

核心逻辑是：互动的”成本”越高，权重越大。

点赞只需要一次点击，成本最低。回复需要打字，成本中等。转推需要思考”这条值不值得转发给我的粉丝”，成本最高。书签是私密行为，代表”这条内容有长期价值”。

根据公开的 Twitter 工程博客和代码分析，权重的大致比例是：

为什么转推最值钱？

因为转推是用你的信用为内容背书。你转发一条帖子，你的粉丝会看到，如果内容不好，你的信誉会受损。所以转推代表的不只是”我喜欢这条内容”，而是”我愿意让我的社交圈知道我看了这条内容”。

算法看穿了这一点。转推的权重是点赞的 20 倍，因为它代表的不只是兴趣，还有社交信任。

时间衰减——为什么前 30 分钟是黄金期？#

代码里有一个残酷的逻辑：帖子发布后，可见度随时间指数衰减。

1
// 时间衰减逻辑（简化版）
2
val ageInHours = (now - tweet.createdAt) / 3600.0
3
val timeDecay = math.pow(2.0, -ageInHours / 6.0)  // 每 6 小时减半

每 6 小时，帖子的可见度减半。12 小时后只剩 25%。24 小时后只剩 6.25%。

这意味着什么？你发了一条帖子，前 6 小时内的互动对排名影响最大。6 小时后，即使有人互动，权重也大打折扣。

更精确的时间窗口：

前 30 分钟为什么特别重要？

因为 Phoenix 模型不只是看互动的”数量”，还看互动的”速度”。一条帖子在发布后 5 分钟内获得 10 个回复，比在 24 小时内获得 100 个回复更有价值。

代码里有专门的实时聚合特征：

1
TweetEngagementRealTimeAggregateFeatureHydrator  // 帖子实时互动聚合
2
UserAuthorEngagementRealTimeAggregateFeatureHydrator  // 用户-作者实时互动聚合

这些特征会追踪帖子在最近 5 分钟、15 分钟、1 小时内的互动速度。速度越快，排名加成越高。

有效点击 vs 无效点击——算法在区分什么？#

代码里有两种点击相关的特征：

1
PredictedGoodClickConvoDescFavoritedOrRepliedScoreFeature  // 点击后点赞或回复
2
PredictedGoodClickConvoDescUamGt2ScoreFeature  // 停留超过 2 秒的点击

算法在区分”有效点击”和”无效点击”。一个用户点击了你的帖子，但如果马上就划走了，这是无效点击。如果他点击后停留了 2 秒以上，或者点赞/回复了，这才是有效点击。

为什么这很重要？

因为很多运营者追求”曝光量”和”点击量”，但算法看的是”有效互动量”。你的帖子获得了 1000 次曝光，但如果没有人停下来认真看，这些曝光对排名几乎没有帮助。

反过来，你的帖子只获得了 100 次曝光，但有 20 个人认真看了、回复了、转推了，这些互动会让算法认为你的内容质量很高，从而给更多曝光。

有效互动的信号强度：

视频内容的特殊权重——为什么 X 在推视频？#

代码里有 4 种视频相关的互动特征：

1
PredictedVideoQualityViewScoreFeature  // 视频质量观看
2
PredictedVideoQualityViewImmersiveScoreFeature  // 沉浸式观看
3
PredictedVideoQualityWatchScoreFeature  // 视频完整观看
4
PredictedVideoWatchTimeMsFeature  // 视频观看时长

X 在重度押注视频内容。视频相关的互动权重明显高于图文内容。一个用户完整观看你的视频，比点赞你的图文帖子更有价值。

视频观看的分层：

代码里有一个 10 秒的阈值：

1
val isVideoDurationGte10Seconds =
2
  (features.getOrElse(VideoDurationMsFeature, None).getOrElse(0) / 1000.0) >= 10

只有时长超过 10 秒的视频，才会触发”视频质量观看”特征。这意味着短视频（<10秒）在算法眼里权重更低。

负面反馈——一条举报顶多少个赞？#

代码里有一个让人警醒的设计：

1
object PredictedNegativeFeedbackV2ScoreFeature extends PredictedScoreFeature {
2
  override val modelWeightParam = ModelWeights.NegativeFeedbackV2Param
3
}
4

5
object ReportParam extends FSBoundedParam[Double](
6
  name = "home_mixer_model_weight_report",
7
  default = 0.0,
8
  min = -20000.0,  // 注意：最小值是 -20000，比其他互动的 -10000 更负
9
  max = 0.0
10
)

举报的权重参数最小值是 -20000，而点赞、回复、转推的最大值是 10000。这意味着一条举报的负面权重，可能抵消 2 条转推的正面权重。

负面反馈的类型：

运营启示：

不要为了互动而发争议性内容。一条举报的负面权重，可能需要 2 条转推才能抵消。而且负面反馈会累积：如果多个用户对你的内容举报，你的账号权重会持续下降。

运营实操——怎么让互动真正有效？#

理论讲完了，说点能用的。

1. 追求回复和转推，不是点赞。 点赞的权重只有 1x，回复是 13.5x，转推是 20x。一条转推顶 20 个赞。如果你的帖子只有点赞没有回复，算法会认为内容”还行但不够好”。

2. 发帖后 30 分钟内制造互动。 时间衰减是指数级的。前 30 分钟的互动权重最高。如果你有互关的同领域朋友，发帖后立刻让他们来互动。

3. 回复粉丝的评论。 代码里有 reply_engaged_by_author 特征。当用户回复你，你也回复他，这个互动的权重会单独加成。大 V 为什么回复评论？不只是礼貌，是在喂算法。

4. 做 10 秒以上的视频。 代码里有 10 秒的阈值。只有超过 10 秒的视频才会触发”质量观看”特征。短视频在算法眼里权重更低。

5. 别带外部链接。 虽然这篇没细讲，但代码里有明确的逻辑：带外部链接的帖子触达下降 50%-90%。X 不想让用户离开平台。

6. 避免争议性内容。 一条举报的负面权重可能抵消 2 条转推。不要为了互动而发争议，代价太大。

常见问题#

结论#

X 的排序模型比你想的复杂得多。不是简单的”互动越多越好”，而是区分了 15 种互动行为，每种都有不同的权重。转推是点赞的 20 倍，回复是 13.5 倍。时间衰减让前 30 分钟成为黄金期。有效点击比无效点击有价值得多。

算法的逻辑很清楚：它不想推荐”还行”的内容，它想推荐”让人愿意讨论、愿意传播”的内容。互动的质量远比数量重要。

下一篇我会拆解算法的负反馈机制：什么行为会触发降权，怎么避免踩坑。