清华快手通人性AI深度测评：2025智能助手推荐榜单

推荐系统如何解码你的深层价值观

推荐算法的演进路径几乎被走遍了——协同过滤、序列建模、多目标优化……技术堆栈不断加码，可增长空间越来越窄。模型架构迭代了一轮又一轮，常规特征工程挖无可挖，可观测指标的学习红利正在急速衰减。行业亟需一个破局点，一个彻底跳出传统框架的新范式。

清华大学经济管理学院博士生陈柯均、张佳音教授、徐心教授，联合快手消费策略算法部，完成了一项极具前瞻性的实验——他们试图让推荐系统理解视频所承载的“价值观”。这一构想看似抽象，实际效果却相当惊人：在快手主站大规模在线实验中，引入价值观维度的干预不仅在技术层面行得通，还同步带动了用户使用时长、电商、直播、社交、搜索等多个业务线的正向增长。简而言之：推荐系统开始真正“读懂人心”了。

技术实现路径

将“价值观”这种社会学概念植入推荐系统，首要挑战就是落地可行性。团队基于前期成果，设计了一套两阶段方案：先借助大模型推理视频的价值观特征，再通过轻量蒸馏模型在线上实时生效。

图1–ValueOpt技术架构

大语言模型推理机制

具体做法是：让大语言模型模拟短视频受众群体，推断不同类型用户观看后的行为与心理变化，从而逆向推导视频传递的价值观信号。这一思路延续了前期工作的核心逻辑。

完整的大模型推理覆盖了超过650万条视频，时间跨度为6个月，基本囊括平台所有品类。关键细节在于：实验发现，若提示大模型扮演特定受众群体（而非笼统的“用户”），模型能从内容语义层面更精准地捕捉价值观信号。受众群体的提取在工程上采用TagCF方案，理论上也可根据场景需求自定义推理模板。

轻量蒸馏模型上线与对比实验

每天海量视频需要分析，大模型显然扛不住线上实时服务的压力。团队训练了一个轻量级蒸馏模型，以快手自研的视频embedding为特征，以大模型推理结果为监督信号，将大模型的受众模拟与价值观推理能力迁移到小模型中。这样，全量视频的价值观标签预估就能在线实时完成。

离线测试结果显示：蒸馏小模型充分训练后准确率超过85%，人工评测也认为与大模型推理结果无明显差异，满足线上部署要求。

但真正的难题在于：视频的价值观属性与用户可观测反馈之间并不存在明确的因果关系。即便离线实验验证了价值观推理能提升排序准确率，线上场景中用户存在多种反馈信号，目前尚无理论能论证这些信号与价值观的相关性与互补性。更何况不同业务场景下的作者生态与消费者群体各异，价值观内容的表现也会显著不同。因此，唯一可靠的方式就是直接上线对比实验。

线上落地实验

实验设计：亿级用户规模验证

实验在快手主站精选页的重排阶段进行，采用经典A/B实验范式：
- 实验规模：每组约5%流量，覆盖千万级用户
- 实验周期：AA期观察一周，AB实验持续超过一个月
- 实验干预：在重排阶段适度提升某一类价值观视频的分发权重，观测各业务指标变化

初步结果：多业务板块同步增长

这是整项研究最亮眼的发现——价值观调控能够同时拉动多个业务维度，且不同价值观与业务指标的关联性存在差异。

内容消费方面，个人安全组显著提升了用户APP使用时长及留存指标。直播业务中，多个价值观组别对直播送礼金额有显著正向影响。电商业务的数据更为直接：享乐主义、个人安全、社会安全等价值观组别对大盘结算GMV有明显正向贡献，买家数也同步增长。社交互动维度，多个价值观组别提升了双关用户的内容互动与分享行为。主动搜索方面，大多数实验组都显著增加了用户主动搜索次数，其中刺激类价值观视频的提升幅度最突出。

拓展讨论与未来方向

为何有效？理论解读

这一系列结果背后有两个值得深挖的发现。

第一个是供需失衡问题。原有的推荐分发策略以“主题”作为内容表征的主要维度，价值观属性从未被显式考量。这意味着某些价值观类型的视频在平台上的供给比例，可能长期低于用户的潜在需求——一旦主动提升这类内容的分发权重，用户的正面反馈便随之而来。这本质上并非技术突破极限，而是重新发现了被忽视的需求缺口。

第二个发现更具理论价值：价值观本身具备行为驱动力。实验在全体用户层面统一提升某类价值观视频的曝光比例，结果显示特定价值观维度的内容在大盘层面更容易激发用户的观看、互动与转化行为。这不仅是推荐系统的进步，也为社会心理学中的价值观理论提供了新的经验证据——在数字内容消费这样大规模真实场景下，不同类型价值观对人类行为的影响确实存在系统性的因果差异，这是以往依赖问卷或小样本实验的价值观研究难以触及的层面。

意义与展望

这些发现的核心意义可以归结为一句话：人类的行为选择背后，往往由深层价值观驱动。不同价值观类型的内容，在激发用户消费、互动与转化行为上存在系统性差异。

这意味着，除了视频主题之外，价值观可以作为视频内容的一个全新维度，帮助推荐系统识别出那些在业务带动上更具潜力的内容，并通过调整分发策略加以放大。

图2 – 价值观在用户行为与心理转化中的驱动性影响

更值得关注的是，这项研究展示了一个极具潜力的方向：将人文社科领域的理论构念引入工业级推荐系统。推荐系统作为整合并匹配生产者与消费者资源的核心算法节点，本质上可能就是一个“研究人的学科”。当技术红利逐渐耗尽时，返璞归真，从理解人本身入手，或许才是真正的出路。

来源：互联网