1. Home
  2. iThink
  3. AI - Intelligenza Artificiale
  4. Algoritmo di TikTok: come funziona il Per te, in uno studio
AI - Intelligenza Artificiale

Algoritmo di TikTok: come funziona il Per te, in uno studio

Una persona scorre i contenuti sullo schermo di uno smartphone
Immagine: StockSnap · Pixabay · Licenza dei contenuti Pixabay

Apri l'app, scorri un video dopo l'altro e dopo un quarto d'ora ti sembra che qualcuno ti conosca meglio di un amico. L'algoritmo di TikTok non legge nel pensiero: guarda cosa fai, cosa finisci di guardare e cosa salti, e da questo decide cosa mostrarti dopo. Il resto è meno chiaro, perché TikTok non pubblica i suoi dati. Per capire come ragiona un sistema di questo tipo ho fatto uno studio su un dataset pubblico di video brevi, e in questo articolo ti racconto cosa ne è uscito: quattro risultati, le conseguenze per chi fa marketing o crea contenuti, e come si esce dalla bolla se sei soltanto uno spettatore.

Cosa dice TikTok sul feed Per te

Partiamo da ciò che la piattaforma ha dichiarato. Nella pagina in cui spiega come raccomanda i video nel Per te, TikTok elenca tre famiglie di segnali: le tue interazioni (video che metti tra i preferiti o condividi, account che segui, commenti, contenuti che pubblichi), le informazioni sul video (didascalie, suoni, hashtag) e le impostazioni del dispositivo e dell'account, come lingua, paese e tipo di telefono. Queste ultime, dice la stessa pagina, pesano meno.

Due dettagli contano per il seguito. Il primo: i segnali forti pesano più di quelli deboli, e l'esempio fatto da TikTok è proprio finire un video lungo dall'inizio alla fine. Il secondo: il sistema dichiara di inserire varietà, per esempio non mostrando due video di fila con lo stesso suono o dello stesso creator, e di non riproporre contenuti già visti. Il numero di follower e i risultati dei video precedenti, scrive TikTok, non sono fattori diretti.

Sul lato tecnico esiste anche un paper, Monolith, presentato a RecSys 2022. Descrive un sistema di raccomandazione che si addestra in tempo reale sul comportamento degli utenti, invece di aggiornarsi a lotti. Il paper non dice che sia il sistema di TikTok: lo cito perché mostra la direzione in cui lavorano questi sistemi, cioè imparare in fretta da ogni scorrimento.

Quindi sappiamo quali segnali esistono, ma non sappiamo quanto pesano né come sono combinati. Il resto delle cose che leggi in giro sul tema sono ipotesi, spesso presentate con troppa sicurezza.

Cosa ho misurato e perché ho usato KuaiRec

Dentro TikTok non posso entrare, e non ho voluto aggirare nessuna protezione. Ho usato KuaiRec, un dataset pubblicato dai ricercatori di Kuaishou, un'altra piattaforma di video brevi, con licenza CC BY-SA 4.0. Ha una caratteristica rara: una parte dei dati, la matrice piccola, contiene 1.411 utenti che hanno visto tutti i 3.327 video. In pratica sappiamo cosa avrebbe fatto ognuno davanti a ogni video, non solo davanti a quelli che un algoritmo aveva scelto di mostrargli. È il pezzo che manca quasi sempre nei dati reali, ed è quello che permette di giudicare un modello senza farsi ingannare.

Ho addestrato un modello di raccomandazione di tipo multi-obiettivo, cioè che stima insieme più comportamenti: se finisci il video, se lo guardi a lungo più di una volta, quanto tempo ci resti. Poi l'ho confrontato con due riferimenti semplici: ordinare i video per popolarità e ordinarli a caso. Il modello è piccolo e girava su un portatile, quindi i numeri sono di laboratorio e non vanno letti come quelli di TikTok. Dichiaro questo limite subito e lo riprendo in fondo.

Quattro risultati, raccontati in concreto

Il modello capisce se finirai il video, ma la top-10 non migliora

Sul compito di prevedere se un utente guarderà un video fino in fondo, il modello funziona bene: AUC 0,83, dove 0,5 equivale al caso e 1 alla perfezione. L'ordinamento per popolarità arriva a 0,80, quindi la personalizzazione aggiunge qualcosa, ma poco.

Il risultato che mi ha sorpreso è un altro. Quando si passa dalla previsione alla classifica dei primi dieci video per ciascun utente, nessun modello batte la semplice popolarità: 0,3162 per la popolarità contro 0,3139 e 0,3157 per le due versioni del modello. Con i dati e le caratteristiche che avevo, la personalizzazione migliora la stima della probabilità, non la scelta dei dieci video migliori. Ordinare i video per il tempo di visione previsto, infine, premia quelli lunghi e dà una classifica pari al caso.

I numeri raccolti dalla piattaforma ingannano

Qui sta la parte che riguarda chiunque guardi statistiche. Ho valutato gli stessi modelli in due modi: sui dati «mostrati dall'algoritmo», cioè i video che il vecchio sistema aveva già scelto per quell'utente, e sulla matrice completa. Sui dati mostrati i modelli sembrano quasi il doppio più bravi: NDCG 0,56 contro 0,31 (l'NDCG è una misura della qualità della classifica, da 0 a 1). Anche il modello casuale sale, da 0,11 a 0,30.

La ragione è semplice. Chi ha scelto cosa mostrare ha già tolto i video che a quell'utente non piacciono, quindi qualunque classifica, anche brutta, pesca in un mucchio già selezionato. In più l'esposizione è molto concentrata: nel log di Kuaishou il 10% dei video riceve il 41% delle esposizioni. Se misuri un modello su questi dati, stai misurando anche le scelte di chi li ha prodotti.

La bolla nasce in parte dall'apprendimento

Ho simulato 1.411 utenti che ricevono 20 round da 10 video ciascuno. Un algoritmo che impara solo da ciò che mostra, detto greedy, fa salire il coinvolgimento del 61% rispetto al caso ma restringe il mondo: alla fine l'utente ha visto 12,9 categorie su 22. Un «oracolo», cioè un sistema che conosce i gusti veri, ne fa vedere 19,9.

Significa che parte della bolla non dipende da cosa vuoi tu, ma da come impara il sistema: se mostra solo ciò che ha già visto funzionare, non scopre mai se ti sarebbe piaciuto altro. Se riserva il 10% degli slot all'esplorazione, recupera circa 3 categorie senza perdere coinvolgimento. Una cautela: l'esplorazione non ha ridotto il peso della categoria dominante, che è rimasta al 34,6% in entrambi i casi.

I primi secondi e la durata

Sui video sotto i 7 secondi, il 70,5% viene completato. Tra 7 e 10 secondi si scende al 39,7%, tra 15 e 30 al 3,6%, oltre i 60 allo 0,3%. Il dato è in gran parte meccanico: finire un video lungo è più difficile, indipendentemente da quanto sia bello. È una correlazione, non la prova che accorciare un video lo faccia crescere.

Consigli pratici per chi crea contenuti e fa social media marketing

Da questi risultati, e dalle cose che TikTok dichiara, ricavo quattro indicazioni pratiche. Sono ipotesi di lavoro da verificare sul tuo account, non regole.

  1. Lavora sul completamento. TikTok cita la visione fino alla fine tra i segnali forti, e nei dati il completamento cala in fretta con la durata. Prima di allungare un video chiediti se ogni secondo in più dà un motivo per restare.
  2. Cura i primi secondi. Se il video è breve, il completamento è alto quasi per costruzione; se è lungo, i primi secondi decidono se resti o scorri. Apri con la cosa che interessa, non con la presentazione.
  3. Scegli una nicchia e dilla chiaramente. Il sistema impara da ciò che mostra: se i tuoi video parlano sempre dello stesso tema, è più facile capire a chi proporli. Cambiare argomento ogni settimana lo costringe a ricominciare.
  4. Non fidarti ciecamente dei numeri della piattaforma. Le visualizzazioni arrivano dopo una selezione. Un video con molte visualizzazioni è stato mostrato a molte persone già scelte, e il confronto tra due video diventa onesto solo se hai in mente a chi è stato mostrato.

C'è anche una lezione sul tuo modo di misurare. Se confronti video pubblicati in giorni diversi, a pubblici diversi, stai in una situazione simile a quella dei dati «mostrati dall'algoritmo»: le differenze possono dipendere da chi li ha visti più che dal video. Per questo ti consiglio di cambiare una cosa alla volta e di annotare orario, durata e argomento. Su come leggere i numeri delle campagne a pagamento trovi un caso parallelo in Meta Ads: cosa cambia con Andromeda, GEM e GenRecs, e sul formato breve in Meta Ads Super Burst, Reels e trending.

Errori da evitare quando leggi i numeri del tuo account

Prima di cambiare strategia per un video andato bene o male, controlla di non cadere in questi errori, che sono la versione quotidiana dei problemi che ho misurato nello studio:

  • Giudicare un video solo dalle visualizzazioni. Sono il risultato di una selezione: dicono a quante persone il sistema ha deciso di mostrarlo, non quanto piacerebbe a chiunque.
  • Confrontare video pubblicati a pubblici diversi. Giorni, orari e persone raggiunte diverse rendono il confronto poco onesto, come succede con i dati raccolti dalla piattaforma.
  • Cambiare più cose insieme. Se modifichi durata, argomento e orario nello stesso video non sai quale cambiamento ha funzionato.
  • Allungare un video senza un motivo. Il completamento cala in fretta con la durata: ogni secondo in più deve dare una ragione per restare.

Come fare per uscire dalla bolla se sei uno spettatore

Se il feed ti sembra sempre più stretto, hai alcune azioni concrete. Nessuna è una garanzia, perché TikTok non pubblica come pesa i segnali, ma sono coerenti con ciò che l'azienda dichiara.

  • Cerca apposta argomenti diversi. Usa la ricerca e segui due o tre account fuori dai tuoi soliti temi: sono interazioni esplicite, e TikTok indica gli account seguiti tra i segnali.
  • Guarda fino in fondo ciò che vuoi vedere di più, e scorri subito ciò che non vuoi. Il completamento è un segnale forte: ogni video che finisci è un voto.
  • Fai una prova. Per una settimana guarda con attenzione soltanto video di un argomento nuovo e controlla se il feed cambia. Annotare cosa vedi prima e dopo è l'unico modo per sapere se funziona, perché da fuori non si può misurare.
  • Ricorda che la bolla non è tutta colpa tua. Come ho scritto nello studio, parte della restrizione nasce da come il sistema impara. Per un quadro più ampio sui feed personalizzati leggi The Truman Show: sorveglianza e bolle degli algoritmi; per un confronto con un'altra piattaforma, Facebook EdgeRank.

Limiti dello studio

Voglio essere preciso su ciò che questi risultati non dicono.

  • Non è TikTok. I dati vengono da Kuaishou, una piattaforma simile ma diversa. Il mio modello è piccolo, addestrato su una parte dei dati e per poche epoche: è un modello da laboratorio.
  • Niente identificativi per utente e video. La personalizzazione passa solo da caratteristiche e statistiche. Questo spiega in parte perché non batte la popolarità nella top-10: con un modello più ricco il risultato potrebbe cambiare.
  • Utenti simulati. Nella prova sulla bolla l'utente non si stanca e non torna sullo stesso video, e il feedback usato per imparare ha un tetto. Con utenti reali le cose sono più sporche.
  • La durata confonde. Il completamento dei video brevi è alto in parte per costruzione, quindi non dimostra che accorciare faccia crescere.
  • Correlazioni. Le tabelle sulla durata descrivono ciò che è successo, non cosa succederebbe cambiando un video.

I numeri esatti, con le deviazioni standard su tre ripetizioni, sono nella pagina dello studio.

Domande frequenti

Come funziona il Per te di TikTok?

Il Per te è il feed personalizzato che ricevi quando apri l'app. Secondo TikTok usa le tue interazioni, le informazioni sui video e le impostazioni del dispositivo, con più peso ai segnali forti, come finire un video. Non pubblica però i pesi né il modello.

Perché il mio feed mi mostra sempre le stesse cose?

Un sistema che impara solo da ciò che mostra tende a restringere la varietà, come ho visto nella simulazione, dove le categorie viste scendono da 22 a 12,9. TikTok dichiara di inserire varietà, ma non puoi dare per scontato che basti: cerca e segui contenuti diversi per dargli segnali nuovi.

Per far crescere un video bisogna farlo corto?

Dai dati risulta che i video brevi vengono completati più spesso, ma in buona parte è un effetto meccanico. Non ho prove che accorciare un video lo faccia crescere: conta che ogni secondo abbia un motivo di restare.

Lo studio vale per TikTok?

Solo in parte. Ho usato dati di Kuaishou, perché TikTok non pubblica i propri, e un modello piccolo. Mostra come ragionano questi sistemi e dove i numeri ingannano, non cosa fa TikTok nel dettaglio.

Se vuoi parlarne

Se gestisci i social di un'attività e vuoi capire quali video e quali campagne portano risultati, scrivimi dalla pagina dei contatti e dimmi cosa pubblichi e dove. Prima di tutto guardiamo come misuri, poi cosa cambiare.

Condividi LinkedIn Facebook X WhatsApp Telegram Email
Cybersecurity per PMI

Quanto è esposta la tua azienda?

Un hacker etico certificato trova le falle prima di chi attacca e ti dice come chiuderle, partendo dalla più pericolosa.

Marketing & Google Ads

Le tue campagne stanno bruciando budget?

Raccontami obiettivi e numeri attuali: ti dico dove intervenire per primo.

Coding & debugging

Codice scritto con l’AI? Funziona oggi. Reggerà domani?

Audit del debito tecnico e della sicurezza di app e siti, debugging e code review.

iLife · crescita personale

Riprogramma la tua vita con il metodo di un hacker etico

Percorsi one-to-one per capire dove sei, scegliere la direzione e arrivarci con metodo.

Digital Agency

Dove sta frenando il tuo business?

Una consulenza per capire cosa sistemare prima: sicurezza, tecnologia, marketing o persone.

Continua a leggere

Tutti gli articoli del blog

Rocco Balzamà
Parli direttamente con me

Il prossimo passo?
Parliamone.

Raccontami cosa vuoi proteggere, costruire o far crescere. Ti aiuto a capire da dove partire.

Di cosa mi occupo

Da oltre trent'anni faccio tre cose. Cerco le falle della tua azienda prima che le trovi chi vuole entrare. Imposto il marketing perché i risultati si possano misurare. E aiuto persone e aziende a capire chi sono, prima ancora di decidere cosa vendere.

Da remoto e in presenzaLavoro da remoto tramite call e videocall. Quando il progetto lo richiede, intervengo anche in presenza.
Seguimi sui social
Certified Ethical HackerSicurezza informatica dal 1993
Gli strumenti con cui lavoro
  • Google Ads
  • Meta
  • WordPress
  • WooCommerce
  • Shopify
  • TikTok
Strumenti gratuiti