近日，X平台（原推特）宣布将其全新的推荐算法完全开源，并将其置于 GitHub 上供所有开发者研究与学习。特别值得注意的是，这套新算法采用了与xAI的Grok模型相同的Transformer架构。
核心的算法代码仓库地址为：https://github.com/xai-org/x-algorithm
对大多数开发者而言，大型社交平台的推荐算法往往披着神秘面纱。此次X选择开源，无疑为技术社区提供了一个绝佳的、可深度剖析的实战案例。整个仓库的代码结构比较清晰，主要分为四个核心模块：
- home‑mixer：主控制器，负责汇总候选内容并执行整个推荐流水线。
- thunder：负责从用户关注的账户中实时获取帖子。
- phoenix：负责机器学习驱动的候选内容检索和打分。
- candidate‑pipeline：通用流水线框架，用于集成内容源、过滤器和评分器。
我们无需深入每一行代码，但理解其整体推荐机制颇为有趣。根据代码逻辑，其推荐流程大致可分为以下7个步骤：
1. 判断交互率
系统首先会评估用户的历史行为，例如帖子的点赞、回复、转发和评论等互动数据。这些显性行为在推荐权重中占据重要地位。
同时，算法还会分析用户的关注列表，通过统计所关注博主的类型分布，来推测用户可能偏好的内容方向。
2. 抓取候选内容
基于对用户的理解，算法会从两个渠道并行抓取潜在的推荐内容：
- 站内内容：由 Thunder 模块负责，抓取用户已关注账号发布的近期帖子，这是用户信息流的核心组成部分。
- 站外内容：由 Phoenix 召回模块通过机器学习技术，从平台的全网内容库中挖掘出用户未关注但可能感兴趣的帖子，旨在发现“新内容”。
3. 补全内容完整信息
为了后续打分的准确性，系统会对所有候选内容进行信息补全。这包括补充帖子的文本、图片/视频素材、作者信息（用户名、认证状态）、视频时长以及内容的访问权限等，确保每条内容的信息维度完整、一致。
4. 过滤无效内容
在进入核心打分环节前，算法会执行一次“前置过滤”，直接剔除不符合硬性要求的内容，例如：
- 重复的帖子
- 过期的内容
- 用户自己发布的帖子
- 来自已被屏蔽或拉黑账号的内容
- 包含用户拉黑关键词的内容
- 用户已经看过或近期刚被推送过的内容
- 用户无权限访问的付费内容
5. 对文章（帖子）进行多维度打分
过滤后的内容将进入核心打分环节。系统会依次调用多个打分器计算综合得分：
- Phoenix 打分器：利用基于 Grok 的 Transformer 模型进行机器学习预测。
- 加权打分器：将多个预测结果整合，形成最终的相关性得分。
- 多样性打分器：刻意降低来自同一作者的内容得分，以确保信息流的内容多样性，避免信息茧房。
- 站外内容打分器：专门调整从全网挖掘的内容的得分，以平衡站内与站外内容的展示比例。
6. 筛选排名
所有候选内容根据上一步计算出的得分进行排序，得分最高的内容将进入最终候选池。
7. 最终验证后推送
作为最后一道保障，系统会对即将推送的内容进行最终合规性与有效性校验。确认无误后，内容才会正式呈现在用户的“For You”信息流中。
整个推荐逻辑清晰且符合我们对现代推荐系统的基本认知。有趣的是，埃隆·马斯克本人在宣布开源时坦言，“我们知道这个算法很笨拙，需要大幅改进”，但他强调开源带来的透明化过程是其他社交平台未曾做到的。
从技术社区和内容创作者的角度看，推荐算法的公开具有多重积极意义。首先，它打破了以往算法作为“商业黑箱”的状态，让算法的公平性、合理性得以被公众审视。更多开发者和研究者的参与，或许能催生出更优的推荐逻辑。
其次，对于创作者而言，算法的透明化提供了一种“确定性”。创作者不再需要依赖各种“玄学”经验（例如更换网络、设备，或猜测平台的隐形规则）来试图取悦算法，而是可以基于明确的规则来优化内容。这有助于让创作回归内容本身，而不是变成一场揣测机器心思的游戏。
推荐算法的初衷，本应是高效连接“优质内容”与“感兴趣的人”，而非让创作者沦为算法的投机者。 开源最大的价值或许不在于代码本身，而在于它将一部分“知情权”和“确定性”还给了生态的参与者。
此次X算法的开源，为业界提供了一个宝贵的开源实战样本。如果你对推荐系统、机器学习或大模型应用感兴趣，不妨去 GitHub 上深入研究一下这个项目。技术的进步离不开开放与交流，欢迎在云栈社区分享你的学习心得与见解。毕竟，在算法的世界里，比破解规则更重要的，是保持我们分享与探讨技术的初心。 | 
发表于 4 小时前
|
查看: 0|
回复: 0
