社交平台推出用户自定义算法功能 让推荐更贴合个人兴趣

背景概述

近年来，社交平台的推荐系统大多由平台内部的黑箱模型决定，用户只能通过“不感兴趣”或隐藏内容等被动方式影响信息流。随着大语言模型（LLM）在解释性 AI 领域的成熟，平台开始尝试将算法透明化，让用户主动参与推荐调教，形成“用户自定义算法”新生态。

各平台功能细节

• Threads（Meta）

  • 2026 年 6 月 16 日发布 Your Algo，基于此前 2 月推出的公开版 Dear Algo。
  • 用户可在设置中私密提交偏好，如“多看体育、少看压抑新闻”，并可选择 1、3、7 天的时效。
  • 系统会将用户指令转化为向量，喂入推荐模型，实现短期精准调节。

• Instagram（Meta）

  • 2026 年 6 月初全平台推开 Your Algorithm，原先仅限 Reels 的功能扩展至 Feed、Explore。
  • 进入设置后，用户看到平台认定的兴趣主题列表，可手动增减权重。
  • Instagram 高层 Adam Mosseri 表示，LLM 能把推荐模型的决策路径可视化，让用户了解“为何出现此内容”。

• TikTok（ByteDance）

  • 2024 年推出 Manage Topics，2025 年加入 AI 驱动的 Smart Keyword Filters，可自动屏蔽同义词。
  • 通过滑块调节各主题的展示强度，点击信息按钮可查看该主题的定义示例。
  • 2026 年的最新迭代支持跨主题关键词联动，进一步降低误过滤率。

大语言模型的赋能方式

1. 自然语言转指令：用户以口语化描述（如“多看烹饪教程”），LLM 将其解析为模型可接受的特征向量。
2. 解释性展示：平台利用 LLM 生成简短说明，帮助用户理解当前推荐背后的主题权重。
3. 动态微调：在用户设定的时间窗口内，模型实时更新权重，避免长期偏好导致信息茧房。

行业影响与潜在风险

• 提升用户黏性：更精准的内容匹配预计将提升日活跃用户数和停留时长。
• 监管关注：用户可自行调节算法可能引发内容极化或信息过滤的监管审查。
• 技术成本：在大规模用户上实现实时微调需要额外算力，平台需权衡算力投入与增长收益。

展望

用户自定义算法标志着推荐系统从“平台主导”向“用户共创”转变，背后是 LLM 在可解释性和交互性上的突破。未来，随着算力和模型效能的提升，更多细粒度的兴趣调节将成为社交媒体的标配，平台也将面临如何在个性化与公共信息责任之间取得平衡的挑战。