Практический взгляд на то, как ByteDance масштабировала TikTok/Douyin с помощью рекомендаций и стимулов для авторов, повышающих удержание, выпуск контента и рост.

«Двигатель внимания» — это система, созданная для одновременного достижения двух целей: удерживать зрителей и поддерживать публикации авторов. Для продуктов ByteDance, таких как TikTok и Douyin, «двигатель» — это не только алгоритм, выбирающий следующее видео. Это сочетание рекомендаций, вознаграждений для авторов и продуктового дизайна, которое постоянно обеспечивает контентом, который люди хотят смотреть.
Если традиционная социальная сеть строится вокруг «кого вы фолловите», модель ByteDance строится вокруг «что задерживает ваше внимание». Приложение быстро учится тому, что вам понравится, затем предлагает больше такого контента — одновременно давая авторам стимулы публиковать чаще и улучшать ролики.
Это не полная история ByteDance как компании. Фокус — на механиках, которые испытывают большинство пользователей:
Это также объяснение на высоком уровне. Здесь нет конфиденциальных деталей, внутренних метрик или секретных формул — только практические концепты, помогающие понять петлю.
Рекомендации создают быструю обратную связь: когда автор публикует, система может протестировать видео на небольшой аудитории и масштабировать показ, если люди смотрят, пересматривают или делятся.
Стимулы (деньги, видимость, инструменты, статус) заставляют авторов реагировать на эту обратную связь. Авторы понимают, что работает, корректируют формат и публикуют снова.
Вместе эти силы образуют самоусиливающийся цикл: лучшее таргетирование удерживает зрителей, а мотивация авторов поддерживает свежесть контента, что даёт рекомендателю ещё больше данных для обучения.
Большинство социальных сетей начинались с простой обещания: видеть публикации друзей (или подписок). Это — ленту социальной графики — где ваши связи определяют контент.
ByteDance популяризировала другой подход: граф интересов. Вместо вопроса «Кого вы знаете?» система спрашивает «Что вам сейчас, по-видимому, нравится?» Лента строится вокруг паттернов поведения, а не отношений.
В ленте социального графа открытие нового контента часто идет медленно. Новым авторам обычно нужны подписчики, чтобы достучаться до людей, а пользователям нужно время, чтобы выбрать, кого фолловить.
В графе интересов система может рекомендовать контент от кого угодно немедленно, если предсказывает, что он понравится. Это делает платформу «живой» даже для совсем нового пользователя.
Ключевая продуктовая опция — опыт по умолчанию: вы открываете приложение, и лента уже играет.
Страница типа «Для вас» не ждёт, пока вы построите сеть. Она учится по быстрым сигналам — что вы смотрите, пропускаете, пересматриваете или делитесь — и собирает персонализированный поток за считанные минуты.
Короткие ролики обеспечивают быструю проверку гипотез. Оценить контент можно за секунды, что даёт больше обратной связи в минуту, чем длинные форматы.
Больше обратной связи означает более быстрое обучение: система может тестировать многие темы и стили, затем удваивать инвестиции в то, что удерживает внимание.
Небольшие продуктовые решения ускоряют построение графа интересов:
Вместе эти механики превращают каждую сессию в быстрое обнаружение предпочтений — меньше про то, кого вы фолловите, больше про то, от чего вы не можете оторваться.
Лента в стиле ByteDance не «понимает» видео как человек. Она учится по сигналам: мелким следам того, что вы сделали (или не сделали) после просмотра контента. За миллионы сессий эти сигналы становятся практической картой того, что удерживает разных зрителей.
Наиболее полезны часто неявные сигналы — то, что вы делаете естественно, без явного действия. Примеры:
Явные сигналы — действия, которые вы выбираете целенаправленно:
Ключевая идея: просмотр — это «голос», даже если вы не нажали лайк. Поэтому авторы уделяют внимание первым секундам и ритму — система измеряет внимание весьма точно.
Не всякая обратная связь положительна. Лента обращает внимание и на сигналы несоответствия:
Отдельно от предпочтений действуют фильтры безопасности и политики. Контент может быть ограничен или исключён на основе правил (например, дезинформация, опасные челленджи, материалы, чувствительные по возрасту), даже если некоторым пользователям он бы понравился.
Сигналы не универсальны. Их значимость может меняться по региону (локальные нормы и регуляции), типу контента (музыка vs образовательные объяснения) и контексту пользователя (время дня, качество сети, новичок ли зритель, что он недавно посмотрел). Система постоянно подстраивается, каким сигналам доверять сейчас для этого человека.
Коротко-видеофид кажется импровизацией, но обычно он следует простому циклу: найти набор возможных видео и затем выбрать лучшее прямо сейчас.
Сначала система собирает короткий список видео, которые вам могли бы понравиться. Это ещё не точный выбор — это быстрая выборка опций.
Кандидаты могут прийти из:
Цель — скорость и разнообразие: быстро предоставить опции, не переобучаясь на раннем этапе.
Далее система присваивает баллы этим кандидатам и решает, что показать дальше. Это похоже на сортировку короткого списка по критерию «наиболее вероятно удержит вас», опираясь на сигналы: время просмотра, пересмотры, пропуски, лайки, комментарии и поделившиеся.
Чтобы не застрять на одном «безопасном» контенте, ленты также исследуют. Новое или непривычное видео может быть показано небольшой группе. Если эта группа смотрит дольше ожидаемого (или взаимодействует), система расширяет показ; если нет — замедляет. Так новые авторы могут быстро пробиться.
Поскольку вы даёте обратную связь каждым свайпом, ваш профиль может измениться за минуты. Посмотрите три ролика про готовку до конца — и вы увидите их больше; начнёте их пропускать — лента быстро повернётся в другую сторону.
Лучшие ленты смешивают «больше того, что работало» с «чем-то новым». Слишком знакомое надоедает; слишком новое кажется неуместным. Задача ленты — поддерживать этот баланс — по одному видео за раз.
Cold start — это задача «чистого листа»: как давать хорошие рекомендации до накопления истории о пользователе или производительности нового видео.
У нового пользователя нет времени просмотра, пропусков или перемоток в истории. Поэтому лента стартует с нескольких сильных догадок на основе лёгких сигналов:
Цель не быть идеальным с первого свайпа — а получить чистую обратную связь быстро (что вы досматриваете vs пропускаете), не перегружая пользователя.
У новой загрузки нет истории, у нового автора может не быть подписчиков. Системы вроде TikTok/Douyin всё ещё дают шанс на прорыв, потому что распространение не ограничено графом подписчиков.
Видео может быть протестировано в малой группе зрителей, склонных к этой теме или формату. Если эти зрители смотрят дольше, пересматривают, делятся или комментируют, система расширяет аудиторию.
Отсюда и «вирусность без подписчиков»: алгоритм оценивает раннюю реакцию на видео, а не только аудиторию автора.
Cold start несёт риск: слишком широкое продвижение неизвестного контента. Платформы противодействуют этому, выявляя проблемы ранних признаков — спам, повторные загрузки, вводящие в заблуждение подписи или нарушения правил — и одновременно ищут позитивные признаки качества (чистая картинка, понятный звук, хорошие показатели досмотра). Система старается учиться быстро, но и безопасно проваливаться.
Короткие видео создают необычно плотные петли обратной связи. В одной сессии зритель может увидеть десятки клипов, каждый с мгновенным результатом: смотрит, свайпает, пересматривает, лайкает, делится, подписывается или завершает сессию. Это значит, что система получает намного больше обучающих примеров в минуту, чем форматы, где одно решение (запустить 30-минутный эпизод) доминирует над всем опытом.
Каждый свайп — маленький голос. Даже без знания секретных формул логично, что более частые решения дают ранжировщику больше возможностей тестировать гипотезы:
Поскольку сигналы приходят быстро, модель ранжирования может обновлять ожидания раньше — повышая точность через повторное воздействие и коррекции.
Результат обычно не судят по одному вирусному всплеску. Команды отслеживают когорты (группы пользователей, начавшие в один день/неделю или с общим признаком) и изучают кривые удержания (сколько возвращаются на день 1, день 7 и т.д.).
Это важно, потому что короткие видео могут раздуть «победы», которые не выстаивают со временем. Клип, вызывающий много быстрых кликов, может повысить краткосрочное время просмотра, но если он повышает утомление, кривая удержания когорты может упасть позже. Когорты помогают отделить «это сработало сегодня» от «это заставляет людей возвращаться».
Со временем плотные петли дают более персонализированное ранжирование: больше данных, быстрее тесты, быстрее коррекции. Механика меняется по продукту, но общий эффект прост: короткое видео сжимает цикл «учись и корректируй» в минуты, а не дни.
Авторы не появляются просто потому, что в приложении есть пользователи — они приходят, когда платформа делает понятное обещание: опубликуй правильно — и тебя вознаградят.
Большинство авторов балансируют между целями:
Ленты в стиле ByteDance вознаграждают исходы, которые делают систему более работоспособной:
Эти цели формируют дизайн стимулов: бонусы за сильный ранний старт, функции, повышающие выпуск контента (шаблоны, эффекты), и пути монетизации, которые удерживают авторов заинтересованными.
Когда распределение — это приз, авторы быстро адаптируются:
Стимулы могут создавать напряжение:
Именно поэтому важно, что именно вознаграждается: это тихо формирует креативную культуру платформы и контент, который видят зрители.
Стимулы для авторов — это не просто «платим, чтобы они постили». Эффективные системы сочетают денежные вознаграждения, предсказуемые механики распространения и инструменты производства, которые сокращают путь от идеи до загрузки. Вместе они делают создание возможным и стоящим повторения.
На большинстве платформ монетарный слой проявляется в нескольких формах:
Каждый вариант сигнализирует о приоритетах платформы. Доля дохода стимулирует масштаб и регулярность; бонусы направляют авторов к новым форматам; чаевые поощряют построение сообщества и «назначенное» зрелище.
Распределение часто является самым сильным мотиватором, потому что приходит быстро: вирусный пост может изменить жизнь автора за неделю. Платформы стимулируют производство через:
Важно, что стимулы распределения работают лучше, когда путь предсказуем: «если я публикую регулярно и следую формату, у меня будет больше шансов».
Редакторы, эффекты, шаблоны, библиотеки музыки и встроенное планирование публикаций уменьшают трение. Также помогают обучающие программы — короткие туториалы, дашборды с лучшими практиками и повторно используемые шаблоны, которые учат ритму, хукам и формату серии.
Эти инструменты не платят авторам напрямую, но повышают объём выпуска, делая хорошее проще производить регулярно.
Крупнейшее преимущество ByteDance — не только «алгоритм» или «выплаты авторам» по отдельности, а то, как оба элемента сцепляются в самоусиливающийся цикл.
Когда стимулы растут (деньги, лёгкий рост, инструменты), больше людей публикуют чаще. Больше публикаций создаёт разнообразие: разные ниши, форматы и стили.
Это разнообразие даёт системе больше опций для тестирования и подбора. Лучшее соответствие повышает время просмотра, длительность сессий и возвращаемость. Более крупная и вовлечённая аудитория делает платформу ещё более вознаграждающей для авторов — и цикл повторяется.
Можно свести это так:
В сетях, ориентированных на подписки, рост часто кажется закрытым: нужно аудитория, чтобы получить просмотры, и просмотры, чтобы получить аудиторию. Ленты типа ByteDance ломают этот тупик.
Поскольку распределение алгоритмическое, автор может опубликовать с нуля и получить значимый охват, если видео хорошо отзывается у небольшой тестовой группы. Это «каждый пост может взлететь» ощущение делает стимулы более правдоподобными — даже если только небольшой процент действительно прорываются.
Шаблоны, трендовые звуки, дуэты/ститчи и культура ремиксов уменьшают усилия для создания релевантного контента. Для авторов это быстрее отправлять материал в мир. Для системы — проще сравнивать производительность похожих форматов и учиться, что работает.
Когда награда кажется доступной, люди начинают оптимизировать по-максимуму. Это ведёт к репост-фермам, повторной трендовой гонке, вводящим в заблуждение хукам или контенту, «сделанному для алгоритма», а не для зрителя. Со временем насыщение усиливает конкуренцию и может толкать авторов к более экстремальным ухищрениям ради охвата.
Удержание часто описывают как игру «время просмотра», но одно только время — грубый инструмент. Если платформа лишь максимизирует минуты, она может скатиться к спамной повторяемости, экстремальному контенту или поведенческим петлям, о которых пользователи потом жалеют — что ведёт к уходам, негативной огласке и давлению регуляторов.
Системы ByteDance обычно оптимизируют набор показателей: предсказанное удовольствие, «порекомендовали бы это друзьям?», доля досмотров, пересмотры, пропуски, подписки и отрицательные сигналы вроде быстрых свайпов. Цель — не просто больше просмотра, а лучше просмотр — сессии, которые имеют ценность.
Ограничения безопасности и политики также формируют то, что может участвовать в ранжировании.
Выгорание часто проявляется как повторяемость: тот же звук, та же структура шутки, та же архетип авторов. Даже если такие элементы работают, их избыток делает ленту искусственной.
Чтобы этого избежать, ленты внедряют разнообразие малыми дозами: чередуют темы, смешивают знакомых авторов с новыми и ограничивают частоту почти-одинаковых форматов. Разнообразие защищает долгосрочное удержание, поддерживая любопытство.
«Держать смотреть» нужно уравновешивать ограничителями:
Эти меры не только этичны; они не позволяют ленте обучиться на самых провокационных материалах.
Многие видимые инструменты качества и безопасности — это механики обратной связи: «Не интересно», управление темами, жалобы и иногда опция «сбросить ленту». Они дают пользователям способ корректировать систему и помогают рекомендациям оставаться вовлекающими без ощущения «запирания».
Для авторов в лентах типа TikTok/Douyin «правила» открываются через опыт. Модель распространения превращает каждую публикацию в эксперимент, и результаты видны быстро.
Большинство авторов выстраивают плотную петлю:
Поскольку распределение может расширяться (или остановиться) в течение часов, аналитика становится творческим инструментом, а не только отчётом. Графики удержания, среднее время просмотра и сохранения/шеры указывают на конкретные моменты: запутанный вступительный сегмент, медленный переход, слишком поздний «выплат» результата.
Этот короткий цикл обучения подталкивает авторов к:
Та же быстрая обратная связь, которая помогает улучшаться, может давить, требуя постоянного выпуска. Устойчивые авторы часто батчат съёмки, используют проверенные форматы, назначают «дни отправки» и поддерживают реалистичный ритм. Цель — последовательность без превращения каждого часа в производство, потому что долгосрочная релевантность зависит от энергии, а не только от частоты публикаций.
Главный прорыв ByteDance — это не набор «фич» социальной сети, а граф интересов, который учится на поведении, в паре с высокочастотной обратной связью и согласованными стимулами, направляющими авторов к тем форматам, которые система может стабильно распространять.
Хорошая новость: эти механики помогают людям быстрее находить полезные развлечения или информацию. Риск: тот же цикл может переоптимизироваться под краткосрочное внимание в ущерб благополучию и разнообразию.
Во‑первых, стройте вокруг интересов, а не только подписок. Если продукт может угадать, что пользователь хочет прямо сейчас, он снижает трение и делает открытие лёгким.
Во‑вторых, укорачивайте цикл обучения. Быстрая обратная связь позволяет быстрее улучшать релевантность — но ошибки тоже быстро масштабируются. Введите ограничители до масштабирования.
В‑третьих, согласуйте стимулы. Если вы вознаграждаете авторов за те же исходы, что и ваша система ранжирования, экосистема сойдётся — иногда в отличные вещи, иногда в спамные паттерны.
Если вы применяете эти идеи в своём продукте, сложнее всего не теория, а запустить рабочую петлю, где события, логика ранжирования, эксперименты и стимулы для авторов/пользователей можно быстро итерировать.
Один подход — прототипировать продукт end-to-end в плотном цикле обратной связи (UI, бекенд, БД и аналитические хуки), затем улучшать рекомендации и механику стимулов по ходу обучения. Платформы вроде Koder.ai созданы для такого стиля итераций: вы можете создать веб-, бекенд- и мобильные основы через чат, экспортировать исходники при необходимости и использовать планирование/снэпшоты для тестирования изменений и быстрого отката — полезно при экспериментировании с петлями вовлечения, чтобы долгие релизные циклы не замедляли обучение.
Если вы соотносите эти идеи с вашим продуктом, просмотрите больше разборов в /blog. Если оцениваете инструменты, аналитику или поддержку экспериментов, сравните подходы и цены на /pricing.
Здоровый двигатель внимания всё ещё может быть очень эффективным: он помогает людям быстрее находить то, что им ценно. Цель — заслужить внимание через релевантность и доверие, одновременно продуманно снижая манипуляцию, усталость и нежелательные «кролиные норы».
Двигатель внимания — это объединённая система, которая (1) персонализирует, что зрители увидят дальше, и (2) мотивирует авторов продолжать публиковать. В случае TikTok/Douyin это не только модели ранжирования — сюда входят UX продукта (автоплей, свайп), механики распределения и вознаграждения авторов, которые поддерживают работу контентного цикла.
Лента на основе социальной графики в первую очередь определяется тем, кого вы фолловите, поэтому открытие нового контента часто ограничено вашей сетью.
Лента на основе графа интересов ориентируется на то, что вам сейчас нравится, поэтому она может рекомендовать контент от кого угодно моментально. Поэтому новый пользователь может открыть приложение и сразу увидеть интересную ленту без списка подписок.
Система учится на неявных сигналах (время просмотра, доля досмотра, перемотки/повторы, быстрые свайпы, паузы) и явных сигналах (лайки, комментарии, шеры, подписки). Сам факт просмотра — сильный «голос», поэтому удержание и ритм ролика имеют большое значение.
Также используются отрицательные сигналы (мгновенные свайпы прочь, «Не интересно») и применяется набор политик/фильтров безопасности, которые могут ограничить распространение независимо от вовлечённости.
Упрощённый цикл выглядит так:
Поскольку каждый свайп даёт обратную связь, персонализация может меняться за считанные минуты.
Проблема «cold start» — это подбор хороших рекомендаций при недостатке истории.
Проверки качества и защиты от спама ограничивают слишком широкое распространение неизвестного контента до установления доверия.
Да. Поскольку распределение не ограничено графом подписок, новый автор может получить тестовый показ в ленте. Ключевой показатель — то, как именно видео работает с ранней аудиторией (особенно сигналы удержания: досмотры, повторы). Это делает «вирусность без подписчиков» возможной, но не гарантированной: большинство постов не расширяются за пределы небольших тестов, если ранняя реакция не очень сильна.
Авторы адаптируются к тому, что вознаграждается:
Преимущество — быстрый цикл обучения; минус — склонность к тренд-гонке, кликбейту или количественной гонке в ущерб качеству, если стимулы смещены.
Короткое видео даёт много «микро-решений» в одной сессии (смотреть, свайпать, перематывать, делиться), создавая гораздо больше примеров обучения в минуту, чем длинный формат.
Этот плотный цикл помогает системе быстрее тестировать гипотезы и корректироваться, но и ошибки (например, переоптимизация под повторяющиеся форматы) тоже распространяются быстрее, если их не ограничивать.
Платформы стараются балансировать вовлечённость и долгосрочное удовлетворение:
Со стороны пользователя доступны инструменты управления: «Не интересно», управление темами, жалобы и иногда опция сброса ленты — они помогают корректировать систему, если она переобучилась.
Для авторов «правила» открываются через повторение: каждая публикация — маленький эксперимент, результат которого виден быстро.
Цикл опыта автора:
Ключевые выводы: ByteDance объединила граф интересов, высокочастотную обратную связь (каждый свайп, повтор, пауза) и согласованные стимулы, которые подталкивают авторов к форматам, которые система может надёжно распространять.
Важно заимствовать эти идеи осторожно:
Чтобы не выгореть, успешные авторы чаще всего батчат съёмки, используют проверенные форматы, планируют дни публикаций и сохраняют устойчивый ритм — потому что долгосрочная релевантность зависит от энергии, а не только от частоты.
Практическая рекомендация: прототипируйте полный цикл (события, ранжирование, эксперименты и стимулы) и итеративно улучшайте его, иначе теоретическая модель не превратится в рабочую систему.