3 月 31 日，正如马斯克一再承诺的那样，Twitter 已将其部分源代码正式开源，其中包括在用户时间线中推荐推文的算法。目前，该项目在 GitHub 已收获 10k+ 个 Star。

GitHub地址：https://github.com/twitter/the-algorithm

这些是此存储库中包含的推荐算法的主要组件：

让我们探索这个系统的关键部分，大致按照它们在单个时间线请求期间被调用的顺序，从从Candidate Sources候选来源开始。

候选来源

Twitter 有几个候选源，我们用它们来为用户检索最近和相关的推文。对于每个请求，我们尝试通过这些来源从数亿推文中提取最佳的 1500 条推文。我们从您关注的人（网络内）和您不关注的人（网络外）中寻找候选人。如今，For You 时间轴平均包含 50% 的网络内推文和 50% 的网络外推文，尽管这可能因用户而异。

网内资源

网络内来源是最大的候选来源，旨在提供您关注的用户的最相关、最新的推文。它使用逻辑回归模型根据推文的相关性对您关注的推文进行有效排名。然后将热门推文发送到下一阶段。

对网络内推文进行排名的最重要组成部分是Real Graph。Real Graph 是一种预测两个用户之间参与可能性的模型。您和推文作者之间的 Real Graph 得分越高，我们将包括的他们的推文就越多。

网络内源一直是 Twitter 最近工作的主题。我们最近停止使用 Fanout Service，这是一项已有 12 年历史的服务，以前用于从每个用户的推文缓存中提供网络内推文。我们还在重新设计几年前最后一次更新和训练的逻辑回归排名模型！

网络外资源

在用户网络之外查找相关推文是一个更棘手的问题：如果您不关注作者，我们如何判断某个推文是否与您相关？Twitter 采用两种方法来解决这个问题。

社交图谱

我们的第一种方法是通过分析您关注的人或具有相似兴趣的人的参与度来估计您会发现什么是相关的。

• 我关注的人最近与哪些推文进行了互动？

• 谁喜欢和我相似的推文，他们最近还喜欢什么？

嵌入空间

嵌入空间方法旨在回答一个关于内容相似性的更普遍的问题：哪些推文和用户与我的兴趣相似？

嵌入通过生成用户兴趣和推文内容的数字表示来工作。然后，我们可以计算该嵌入空间中任意两个用户、推文或用户-推文对之间的相似度。如果我们生成准确的嵌入，我们可以使用这种相似性作为相关性的替代。

知圈 | 进“汽车电子与AutoSAR开发”群，请加微“cloud2sunshine”

Twitter 最有用的嵌入空间之一是SimClusters。SimClusters 使用自定义矩阵分解算法发现由一群有影响力的用户锚定的社区。有 145,000 个社区，每三周更新一次。用户和推文在社区空间中表示，并且可以属于多个社区。社区的规模从个别朋友组的几千用户到新闻或流行文化的数亿用户不等。这些是一些最大的社区：

我们可以通过查看推文在每个社区中的当前流行度来将推文嵌入到这些社区中。喜欢推文的社区用户越多，推文与该社区的关联度就越高。

马斯克在 Twitter 上表示此次发布的是“大部分推荐算法”，其余的算法也将陆续开放。他还提到，希望“独立的第三方能够以合理的准确性确定 Twitter 可能向用户展示的内容”。在关于算法发布的 Space 讨论中，他说此次开源计划是想让 Twitter 成为“互联网上最透明的系统”，并让它像最知名也最成功的开源项目 Linux 一样健壮。“总体目标，就是让继续支持 Twitter 的用户们最大程度享受这里。”

Twitter 官网博客详细介绍了算法在确定 For You 时间线所显示的推文时，会具体参考哪些内容并如何对其进行排名和过滤。

用于构建时间线的主要组件

从博文来看，推荐管线由三个主要阶段组成。

首先，它会收集“来自不同推来源的最佳推文”，之后使用“机器学习模型”对各推文进行排名。最后，它会过滤掉来自已屏蔽用户的推文、已经看过的推文或者在工作时间不宜观看的内容，最后将结果显示在时间线上。

文中还进一步对过程中的具体步骤做出解释。

例如，第一步大约会查看 1500 条推文，目标是让 For You 时间线中约 50% 的推文来自已关注的用户（即「人际网络内」），50% 的推文来自“尚未关注的「人际网络外」账户”。排名则“参与积极性进行优化（例如点赞、转发和回复）”，最后一步则努力保证用户不会看到同一个人的过多推文。

诚然，代码透明（用户能够看到系统到底在以怎样的机制为时间线选择推文）和代码开源（允许社区提交自己的代码作为备选，也可在其他项目中使用 Twitter 算法）并不完全是一码事。

虽然马斯克反复提到要开源，但如果 Twitter 想要言而有信，就必须满足后者的标准。换言之，Twitter 需要建立新的治理系统，决定批准哪些 PR、关注哪些用户提出的问题，以及如何阻止恶意人士出于个人目的而破坏代码。

目前来看，Twitter 正在为此而努力。GitHub 上的自述文件提到，“我们邀请社区在 GitHub 上提交问题和 PR，为推荐算法的改进提出建议。”但文件还写道，Twitter 仍在构建“用于建议管理并将变更同步至内部代码仓库的工具”。马斯克领导下的 Twitter 曾经做出过不少承诺，但并没能坚持下来，所以恐怕要到其实际接收社区代码之后才能确定这是否属实。

此前，马斯克曾多次表示将开源 Twitter 算法。

2022 年 3 月，马斯克曾在 Twitter 发起一项调查，询问用户对该平台算法开源的看法。他写到：“我担心 Twitter 算法中实际存在的偏见会产生重大影响，我们怎么知道背后到底发生了什么？”马斯克认为，我们对 Twitter 这个公共平台的信任程度越高，文明的风险就越小。

2022 年 5 月，马斯克曾与 Twitter 联合创始人兼前 CEO Jack Dorsey 就该平台的算法问题发生过争执。马斯克表示，“算法正在以你们意识不到的方式操纵你们……我不是说算法有恶意，但它的确在猜测你想看什么内容，这样就会无意间操纵 / 放大你的观点，而你却完全没有意识到正在发生什么。”

2022 年 10 月接管 Twitter 后，马斯克关于开源 Twitter 算法的想法也没有发生改变。

2023 年 2 月 21 日，马斯克称将于下周对 Twitter 算法进行开源。当时一位 Twitter 用户表示，如果 Twitter 能够开源算法，他们将会“真心折服”。马斯克回应道：“当我们下周开源算法时，一开始请做好失望的准备，但之后将会快速改善。”

不过遗憾的是，马斯克并未兑现“下周开源”的承诺。直到 3 月 18 日，马斯克再次发声：“Twitter 将于 3 月 31 日开源所有用于推文推荐的代码。”

马斯克表示：“我们的‘算法’过于复杂且内部未完全理解。人们会发现很多愚蠢的事情，但我们会在发现问题后立即修补。我们正在开发一种简化的方法来提供更具吸引力的推文，但这项工作仍在进行中，这也将是开源的。提供代码透明度一开始可能会令人尴尬，但它应该会让推荐质量快速提高。最重要的是，我们希望赢得您的信任。”

不过尴尬的是，据美联社当地时间 3 月 26 日报道，一份法律文件显示，推特公司的部分源代码遭泄露，被发布在开源编程及代码托管网站 GitHub 上。为防止该事件对其服务产生潜在的破坏性损失，Twitter 已经采取了法律行动，GitHub 遵从通知并删除了被泄露的代码。

现在，马斯克终于如愿开源 Twitter 算法，但他的决断也面临着强烈的反对之声。用户们对自己 For You 页面中经常显示马斯克的推文表示不满，而马斯克的支持者们则担心自己在社区中的参与度正在降低。他辩解称，新的推荐算法希望“最大限度削减”负面和仇恨内容，但之前无法访问这些代码的外部分析师对这种说法并不买账。

此外，Twitter 还可能面临来自开源社区的竞争压力。Mastodon 是一个去中心化社交网络，目前在特定圈子里正越来越受欢迎。Twitte r 公司联合创始人 Jack Dorsey 则正在支持另一个名为 Bluesky 的类似开源项目。

像 Twitter 这样复杂的系统，开源算法并非易事。开源作者 Travis Fischer 曾在一篇文章中分析道，Twitter 的推荐算法是由一个个性化推荐系统提供的，用于预测用户最有可能与哪些推文和用户互动。关于这个推荐系统，最重要的两部分是：

• 用来训练 ML 模型的基础数据，即 Twitter 的大规模专有网络图；

  
  

• 在确定相关性时考虑的排名信息。

| 大规模专有网络图

像 Twitter 这样的社交网络就是超大图的实例，节点是用户和推文的模型，边则是回复、转发和喜欢等互动的模型。

Twitter 动态网络图的可视化，作者是 Michael Bronstein，来自 Twitter 的 Graph ML 部门（2020）。

Twitter 的核心商业价值有很大一部分来自于这个庞大的由用户、推文和互动构成的基础数据集。用户登录、查看推文、点击推文、查看用户资料、发布推文、回复推文等，在 Twitter 上的每一次互动都会被记录到内部数据库。

从 Twitter 的公共 API 获得的数据只是 Twitter 内部跟踪数据中的一小部分。这一点很重要，因为 Twitter 的内部推荐算法可以获得所有这些丰富的互动数据，而任何开源工作都可能仅能使用一个有限的数据集。

| 排名信息

2017 年，Twitter 的研究人员曾在一篇名为《在 Twitter 时间线上使用大规模深度学习》的文章中提到，为了预测某条推文是否会吸引用户，Twitter 的模型考虑了以下几个要点：

• 推文本身：它的新近度，存在的媒体卡（图像或视频），总互动数（如转发和喜欢的数量）。

• 推文作者：用户过去与这个作者的互动，用户与他们联系的强度，用户关系的起源。

• 用户：用户在过去觉得有吸引力的推文，用户使用推特的频率和程度。研究人员表示，“我们考虑的特征及其各种互动的清单在不断增加，为我们的模型提供了更多存在细微差别的行为模式。”

这些 2017 年的排名信息描述可能有点过时，但这些核心信息在今天仍然与 Twitter 高度相关。因为这份清单很可能已经推广到几十甚至几百个重点机器学习模型，它们支撑着 Twitter 的算法。

一个深度学习模型的可视化，用于确定一个用户在未来关注另一个用户的可能性。这个模型代表了 Twitter 内部各种推荐系统的一小部分。

Travis Fischer 认为，将 Twitter 推荐算法开源难免会遇到一些重大的工程挑战。

比如，Twitter 的网络图非常庞大，包含数以亿计的节点和数十亿的边。Twitter 的实时性带来了另一个独特的挑战：用户希望 Twitter 尽可能地接近实时，这意味着底层网络图是高度动态的，延迟成为一个真实的用户体验问题。此外，还有可靠性、安全与隐私方面的挑战。

但无论如何，马斯克还是兑现了他的开源承诺，Twitter 推荐算法开源也标志着，这类平台的透明度正在迈出关键一步。

Twitter开源算法相关链接

• 算法主库：https://github.com/twitter/the-algorithm/
• ML 模型库：https://github.com/twitter/the-algorithm-ml
• 技术博客：https://blog.twitter.com/engineering/en_us/topics/open-source/2023/twitter-recommendation-algorithm

本文内容来自于车端，版权属于原作者。