从技术角度聊聊TikTok:若交出源代码 意味着什么?
科技

从技术角度聊聊TikTok:若交出源代码 意味着什么?

2020年08月13日 10:22:14
来源:观察者网

【文/观察者网专栏作者 滨哥哥】

在中美关系日趋紧张的时间节点里,TikTok,这个由字节跳动开发的短视频海外APP在全球被推上舆论的风口浪尖。在经过一周多的舆论发酵后,字节跳动无论是起诉美国政府还是商谈交易,都进入了法律的范畴里。

引人关注的是,在目前流出的收购信息中,微软要求字节跳动交出TikTok所有源代码。这对字节跳动来说意味着什么?如果没有字节跳动的算法支持,TikTok还能在短视频领域保持优势吗?

TikTok成功出海

在这里,我们先明晰一个概念,TikTok是字节跳动的抖音海外版,它的用户及数据跟国内的抖音是完全割裂开来的,而算法则是由字节跳动给予赋能,具体我们会在下文提到。

中国互联网的发展已经有20个年头了。在这20年里,无论是社交起家的腾讯还是零售发家的阿里巴巴,每一个做大了的企业都在积极寻求海外扩张的道路。然而,社交与电商交易都不可避免地遭遇各种困难险阻。

与它们不同,字节跳动旗下的TikTok以迅猛的速度在全球攻城拔寨,甚至连全球社交之王Facebook都望尘莫及,接连出了好几款仿TikTok的应用,但都折戟沉沙。可以说,TikTok的成功,不仅仅是算法上、产品上甚至运营上的成功,它本身更是中国移动互联网商业成功的一个缩影,一个代表。

短视频的火爆是信息爆炸时代中现代人信息浏览的升级体现。随着手机通信技术规格从第一代一路发展到第四代,人们的交流媒介也经历了文字、图片、视频的三级跳,而这过程中也诞生了无数的时代巨头。短视频就是这股时代发展浪潮中的杰出代表之一。

短视频于2016年在国内爆发,彼时快手、美拍、秒拍、小咖秀等行业先锋在国内率先冲刺。而在国外,同样做短视频的创业公司musical.ly,在2015年的时候就登顶iOS总榜的第一名,2017年被TikTok收购时,其下载量已超过2亿次,这也为TikTok的出海成功奠下基础。

到了2020年的今天,国内的短视频争霸赛早已结束,成为抖音和快手的天下,连腾讯接连推出好几款短视频应用也都石沉大海,如今的微视前途未知。阿里巴巴则早已放弃了社交应用圈。

而在国外,TikTok在全球攻城略地,Facebook继火爆全球的图片社交应用Instragram后,再次雄心勃勃推出同类短视频应用Lasso,与TikTok交战一年半,最终于上个月关闭应用。在TikTok遭遇美国封杀风波后,Facebook重振旗鼓,在本月5日再度推出新短视频应用Reels,再图霸位。

TikTok的推荐算法

TikTok的成绩无疑是十分耀眼的,它的全球MAU(月活跃用户人数)已达8亿。这个数字,YouTube花了6年,Instragram花了7年,Facebook则花了12年。更值得一提的是,TikTok的用户量还在快速增长。另根据海外的应用统计,人们在TikTok上花费的时间为52分钟,相比之下,用户在Snapchat、Instagram和Facebook上花费的时间仅为26分钟、29分钟和37分钟。

同样都是根据用户喜好而提供内容的推荐算法,TikTok/抖音背后的推荐算法简单地说,就是“以用户为中心”(User-Centric Design)。用户越是活跃,推荐的内容也就更加精准。

对于这点,其实我们都很熟悉。在我们日常的使用中,有电商网站淘宝京东的相似商品推荐,视频网站B站、爱奇艺、腾讯视频、优酷上的相关视频推荐,甚至是问答网站如知乎上也有相似问题的推荐。

此外,同样都是推荐算法,在不同的消费领域中,其推荐场景是完全不同的。所谓“推荐场景”,与所推荐的内容类型、推荐所满足的用户需求,都有莫大的关系。

以同样都是视频领域来讲,国外的YouTube或国内的爱腾优(爱奇艺、腾讯视频、优酷)的推荐算法跟短视频,其背后所面对的用户需求完全不同。用户的急速反馈能比前者提供给平台呈现量级的数据差距,也是短视频推荐算法成功的关键。

YouTube或国内的爱腾优属于长视频领域,其应用所需要展示的是视频的海报、名称、主演和故事概述,推荐系统必须精准提供优质的推荐结果才能让客户驻足观看。然而用户的耐心有限,在前面5分钟内挑选不到一部好看的视频时,往往就关闭网站/应用,结束了整个决策反馈。这个过程,可能只给平台反馈不到10条的数据,而后续用户可能好几天都不打开这个应用。

至于短视频,用户浏览的目的性并不强,其决策的过程很快,甚至一秒钟就能将用户的喜好反馈给系统,加上其时长短,用户可以在相同的5分钟内给系统二三十甚至更多的反馈数据。

可见,短视频收集用户喜好的数据是前者的上百倍甚至上万倍不止(用户会持续观看并产生更多的反馈数据,而前者用户早已关闭),其背后是海量的用户决策数据形成的用户模型,这个模型比前者要精准很多。

而在这里,各地用户的偏好数据所产生的模型其实是不一样的。哪怕初期用了一个通用模型,在当地扎根后,海量的当地用户数据早已改造完整个模型了,移动互联网的迭代非常快。

同理,做电商的淘宝也好,做图文社交的Facebook也好,其应用偏文字、图片类,信息比较大,用户喜不喜欢的反馈要先看完文字后再划开。它们各自所熟悉的推荐算法在短视频领域里不适用,这背后没有所谓“谁的推荐算法更强”,只看谁的算法更适合这个场景。

原标题:让我们从技术的角度来聊聊TikTok