Douyin (китайский аналог TikTok) постоянно ищет новые сигналы, которые позволяют точнее предсказывать интересы пользователей. Одним из неочевидных, но эффективных источников данных являются обсуждения заговоров и теорий заговора. Ниже представлены 11 практических техник, как использовать информацию о заговорных нарративах для улучшения рекомендательной системы.
Мониторинг ключевых слов и хештегов
Создаём список часто упоминаемых терминов, связанных с популярными теориями заговора (например, «5G и здоровье», «лунная база», «мировое правительство»). Отслеживаем их появление в подписях, комментариях и описаниях видео. При росте частоты использования таких терминов увеличиваем вес связанных тем в профиле пользователя.
Анализ эмоциональной окраски комментариев
Заговорные дискуссии часто сопровождаются сильными эмоциями (гнев, тревога, скептицизм). Применяем модели тонального анализа к комментариям под видео. Высокий уровень негативной эмоции может указывать на повышенный интерес к контроверсиям, что позволяет рекомендовать более провокационный или «разоблачительный» контент.
Кластеризация пользователей по интересу к заговорам
С помощью методов кластеризации (k‑means, DBSCAN) формируем группы пользователей, которые регулярно взаимодействуют с заговорным контентом. Для каждой группы создаём отдельные профили интересов, что улучшает персонализацию рекомендаций внутри кластера.
Временные окна всплесков обсуждений
Заговорные теории часто набирают популярность после определённых событий (выпуск нового фильма, скандал, политическое заявление). Мы фиксируем такие всплески и временно повышаем приоритет рекомендаций связанных тем в течение 24‑48 часов после пика обсуждений.
Перекрёстная валидация с фактами
Для снижения риска распространения дезинформации параллельно проверяем заявления из заговорных видео через факт‑чекинговые базы. Если контент получает низкую оценку достоверности, мы понижаем его рейтинг в ленте, но сохраняем возможность показать «опровергающий» материал пользователям из заговорного кластера.
Использование графов связей между темами
Строим семантический граф, где узлы – темы (заговоры, научные факты, развлечения), а рёбра – ко‑occurrence в одном видео или комментарии. Алгоритм рекомендаций может тогда предлагать смежные темы, например, переходить от видео о «лунной базе» к научно‑популярному контенту о космосе, увеличивая вовлечённость.
Адаптивное weighting на основе длительности просмотра
Измеряем, как долго пользователи смотрят заговорные видео по сравнению с другими жанрами. Если средняя длительность просмотра заговорного контента выше среднего, увеличиваем вес таких сигналов в модели ранжирования для данного пользователя.
Генерация «контр‑нарративов» через генеративные модели
Используем языковые модели для создания коротких видеосценариев или текстовых подсказок, которые мягко опровергают популярные заговоры, сохраняя при этом развлекательный формат. Эти материалы добавляются в рекомендации пользователям, проявляющим высокий интерес к заговорам, но с низкой оценкой достоверности.
Учёт социального влияния (инфлюенсеров-заговорщиков)
Определяем топ‑креаторов, чьи видео регулярно попадают в заговорные кластеры. Их влияние измеряется через охват, вовлечённость и скорость распространения контента. При планировании рекомендаций повышаем приоритет контента от таких инфлюенсеров для их подписчиков.
A/B тестирование порогов срабатывания сигналов
Запускаем эксперименты, где варьируем пороговое значение, при котором заговорный сигнал начинает влиять на ranking. Измеряем метрики CTR, среднее время просмотра и уровень жалоб. На основе результатов выбираем оптимальный порог для каждого региона и языковой группы.
Обратная связь от модераторов и экспертов
Создаём панель экспертов (социологов, специалистов по дезинформации, культурологов), которые периодически оценивают качество рекомендаций в заговорных сегментах. Их оценки используются как дополнительный сигнал для корректировки весов в алгоритме.
Интеграция этих 11 техник позволяет Douyin не только лучше понимать скрытые интересы аудитории, но и ответственно подходить к распространению потенциально вредоносного контента. Баланс между персонализацией и качеством информации становится ключевым фактором удержания пользователей и повышения доверия к платформе.