各家內容平台的 Feed 怎麼排？從 Reddit 公式到 TikTok 興趣圖

🌏 English version

每個 feed 都在拉扯兩股力量：一股是時間，最新的內容該被看到；另一股是互動，最多人喜歡、留言、看完的內容該被看到。純用時間，好內容會被洗掉；純用互動，剛發出、還沒人反應的新內容永遠沉底。所有排序演算法，本質上都是在調這兩股力量的配比。

但在比較各家做法之前，得先講一個更關鍵、卻常被忽略的前提——供需。大平台的排序是為了解決內容過剩，它們的工作是「濾掉」；而小社群面對的是內容稀缺，你反而希望每一則都被看到。這個差別決定了一切：讀下面每一家時，真正該問的不是「它多聰明」，而是「它在解過剩還是稀缺」。

公式排序：一行數學平衡時間與票數

最透明的一類。沒有機器學習，就是一條所有人都能讀的公式。

Reddit 的 Hot 把票數和年齡放進同一個分數：

hot = sign(s) · log₁₀(max(|s|, 1)) + (t_post − 1134028003) / 45000
      s = 讚 − 噓,  t_post = 貼文建立的 epoch 秒數

靈魂在於票數走對數、時間走線性加項。前 10 票的影響力等於接下來 100 票，早期票數極度重要；時間項則把「發文時刻」直接烤進分數當永久起跑優勢——分數不是隨時間衰減，而是新貼文起跑就比較高。常數 45000 秒的意思是：貼文每老 12.5 小時，就需要約 10 倍的淨票數才守得住原位。

Hacker News 看似同類，機制卻相反：

score = (P − 1)^0.8 / (T + 2)^1.8 × penalties
        P = 票數（減去作者自投）,  T = 年齡（小時）

分母指數 1.8 大於分子指數 0.8，所以分數是持續、陡峭地隨年齡真正衰減——就算高票故事，一天內也會掉出首頁。這是真 decay，對比 Reddit「凍結時間戳」的加項。HN 首頁還會再乘一層不透明的懲罰係數（檢舉、灌票偵測、爭議筆戰懲罰）。

兩者的冷啟動都靠一條時間序後門：新內容先進 Reddit 的 New 或 HN 的 /newest 累積首批票，Reddit 另有 Rising 專抓「相對於超年輕年齡、增速異常快」的貼文，讓真正在爆的新內容提早被看見。

ML 多目標排序：預測你會做什麼，再加權

大型社群平台的主流。不再是一條公式，而是為每則候選預測「你按讚／留言／分享／看完的機率」，再用權重加總。

這套思路的起點是 Facebook 的 EdgeRank（親密度 × 內容權重 × 時間衰減）。2011 年後三個手調係數被機器學習取代，2013 年官方稱模型考量「十萬以上」訊號。2018 年的「有意義的社交互動」是一次刻意轉向：上調會激起人與人來回對話的貼文，下調預錄影片、出版商那種被動消費——而「騙留言」的 engagement-bait 被明確排除、繼續降權。

Instagram 的關鍵是 Mosseri 反覆強調的一句：「Instagram 不是一個演算法」。Feed、Stories、Explore、Reels 各有一套排序，目標完全不同——Stories 重親密關係、Explore 重探索、Reels 重看完率。同一套策略換介面就失效。

Twitter/X 在 2023 開源了完整管線：從約五億則貼文，經「候選撈取（約 1,500 則，追蹤內外各半）→ 輕排序 / 重排序（約 4,800 萬參數神經網路，對每則輸出約 10 個互動機率）→ 啟發式過濾混合」煉出 For You。開源版的重排序權重很有啟發性：

一則回覆約等於 54 個讚，作者回你的回覆約等於 150 個讚——對話為王；而一次檢舉幾乎是殺手鐧，負訊號壓倒性地大。

LinkedIn 則站在這一端最偏「相關性」的位置：它把停留時間當核心訊號（理由是比稀疏又二元的點擊更連續、雜訊低），並明說系統刻意設計成不優化 virality，系統性降低釣魚與洗版內容的分發——「最成功的貼文不一定是讚最多的」。

興趣圖 + 探索：不看你追蹤誰，只看你的興趣

最激進的一端。排序幾乎不依賴社交圖。

TikTok 官方明說粉絲數與過往爆款「不是」直接排序因子：影片能觸及誰，取決於它多符合那群人的興趣，所以零粉帳號的第一支影片也可能觸及百萬。洩漏文件裡的排序式長這樣：

score = Plike·Vlike + Pcomment·Vcomment + Eplaytime·Vplaytime + Pplay·Vplay
        P = 預測某動作的機率,  E = 期望值,  V = 該動作的價值權重

它的冷啟動是全行業最明確的：新影片先發給一小群測試觀眾，量測完播率、重看、互動，達標才一波一波放大——這就是影片「幾天後才爆」、舊片會「復活」的原因。

YouTube 優化的是期望觀看時間而非點擊（用點擊率排序會助長標題殺人）。它用兩段式架構（候選生成 → 排序），並用一個叫 example age 的特徵處理新鮮度：訓練時把樣本年齡當特徵餵入，推論時設為零，等於告訴模型「現在正是訓練窗尾端」，藉此拉抬剛上傳的影片。

時間序與可組合：把決定權還給使用者

光譜的另一端。Mastodon 設計原則就是反向時間序、無演算法、無廣告，唯一類似排序的「趨勢」被隔離在 Explore 分頁、還需管理員審核。Bluesky 更進一步：預設 Following 是純時間序，但透過 AT Protocol 的 feed generator，任何人都能發布一套 feed 演算法，使用者自由訂閱、釘選、排列——把「要不要演算法、要哪套」變成一個開放市集，而不是平台強加的單一排序。

整體架構：一條光譜

把十家排在同一條軸上，會看到一個乾淨的漸層——左邊是使用者／時間決定順序，右邊是平台／互動訊號決定：

冷（時間）←───────────────────────────────────────────→ 暖（演算法）

Mastodon      Bluesky        Reddit Hot     Facebook / IG      TikTok
Bluesky       自訂 feed       Hacker News    Twitter For You    YouTube
(Following)   (可組合)        (公式)         LinkedIn (ML)      (興趣圖+探索)

純時間序       市集           一行數學        預測你的動作        只看興趣
不排序        自選排序器      透明可讀        再加權排序          主動測試新內容

而不論落在光譜哪裡，有一件事所有平台都做了：為新內容留一條專屬的初始曝光路徑。TikTok 的探索池、Reddit 的 Rising、YouTube 的 example age、Instagram/LinkedIn 的小範圍測試、Mastodon/Bluesky 時間序的「保證送達」——本質上是同一件事的不同實作：先給新內容一個曝光窗，再用早期反應決定要不要放大。差別只在窗有多大、放大多兇——而那又回到供需：內容越過剩，窗越小、篩得越狠。

對小社群的啟示

如果你的產品內容是稀缺的（一天沒幾則新貼文），上面所有為「過剩」設計的互動排序套過來都會反過來傷害——把僅有的新內容埋掉。幾個直接可用的結論：

• 稀缺情境的正解是時間序，不是互動排序。 小社群硬套 engagement 排序，多半是過早優化。
• 「有互動就浮上來」是成熟的舊招。 論壇 bump、Reddit Rising 都是。實作上可以用 activity_time = GREATEST(建立時間, 最後互動時間) 當排序鍵，新內容靠建立時間進場、舊內容被互動就頂回來，新舊自然交錯。
• 給新內容一個保底曝光窗。 這不是自己發明的招，而是 TikTok 探索池 / YouTube example age / Reddit Rising 的極簡版：保證每則新內容至少被看到一次。
• 要「熱門」就開獨立分頁，別塞進主 feed 排序。 Reddit（Hot / New / Rising）、X（For You / Following）都把不同排序拆成使用者可選的分頁。
• 別在游標視窗裡即時重排。 大平台用 session 快照 + offset 翻頁，而不是「抓一批 → 即時重排 → 又拿時間當游標翻頁」——後者會讓被降權的內容在翻頁時被永久跳過。排序鍵要跟游標一致、且單調。

整體來說

大平台教我們的其實不是「怎麼排序」，而是**「什麼時候不需要排序」**——以及就算要排，也永遠給新內容留一條保證曝光的路。排序演算法的複雜度，只有在內容爆量、時間序塞不下時才划算。在那天到來之前，時間序 + 活動冒泡 + 新內容保底窗，幾乎永遠是更好的選擇。

參考資料

• How Reddit ranking algorithms work（含 _sorts.pyx 原始碼）
• Evan Miller — Deriving the Reddit Formula（Wilson 信賴區間）
• Ken Shirriff — How Hacker News ranking really works
• Mosseri — Bringing People Closer Together（Facebook MSI 公告）
• Mosseri — Instagram Ranking Explained（2023）
• Twitter Engineering — Twitter's Recommendation Algorithm（官方）
• GitHub — twitter/the-algorithm
• LinkedIn Engineering — Understanding Feed Dwell Time
• TikTok Newsroom — How TikTok recommends videos #ForYou
• Covington et al. — Deep Neural Networks for YouTube Recommendations（RecSys 2016）
• Bluesky — Algorithmic Choice with Custom Feeds
• Mastodon 3.0 in depth（趨勢需管理員核准）