推荐算法行业发展到今天，增量空间越来越窄。多年下来，协同过滤、序列推荐、多目标优化这些方向，已经经历了至少两三轮的深度迭代。现有技术体系日益成熟，继续靠优化模型结构、挖掘常规特征或者调整可观测目标来提升效果，边际收益正在肉眼可见地递减。那么，增长突破口到底在哪？

最近，清华大学经济管理学院的陈柯均博士生、张佳音教授、徐心教授，和快手消费策略算法部合作完成了一项很有意思的实验。他们从视频所传递的价值观入手，去理解用户观看视频之后的行为和心理变化。具体来说，团队借助大模型的模拟和推理能力，把社会学和心理学中的价值观理论引入到推荐排序策略中，并在快手主站进行了大规模随机在线对比实验。

初步结果相当亮眼——这个方向不仅技术上可行，而且在用户使用时长、电商、直播、社交、搜索等多个业务维度，都实现了同步正向增长。换言之，他们在社会价值观层面，通过算法手段系统性地满足了用户需求，为行业打开了一扇新的窗。

技术路径

把抽象的价值观概念从理论真正落地到推荐系统，这是整个项目的核心挑战之一。团队基于前期合作的成果，分两步走：先完成视频价值的大模型推理，再通过轻量蒸馏模型在线上生效，把离线实验验证的方法论转化为真实推荐系统可用的策略工具。

图1–ValueOpt技术框架

大语言模型推理

团队利用大语言模型来模拟短视频的受众群体，推理不同类型用户在观看视频后的行为和心理变化，进而推断用户能感知到的价值观。整个大模型推理流程覆盖了部分随机采样的视频，时间跨度6个月，视频量累计超过650万条，几乎涵盖了全部内容类目。

实验过程中一个有趣的发现是：让大模型扮演短视频相关的受众群体，能从内容语义层面更好地识别视频传递的价值观信号，生成的标注结果也更能反映用户侧的感知。至于视频受众群体的提取，工程上采用了TagCF方案，理论上也可以通过自定义推理模板来实现。

轻量蒸馏上线+策略对比实验

每天数以千万计的视频需要理解，一个高效在线方案必不可少。团队以快手自研的视频embedding为特征，以大模型推理结果为监督信号，训练了轻量级蒸馏模型。这样就把大模型强大的受众模拟和价值观推理能力，迁移到了可以实时在线高通量服务的小模型上，从而实现了对全量视频的价值观标签预估。

离线的测试结果让人踏实——蒸馏小模型在充分训练后准确率可以达到85%以上，人工评测也认为它和大模型推理的结果没有明显差异，完全能满足线上需求。

但这里还有一个关键挑战：视频价值与用户可观测反馈之间的关联，是没法事先预知的。前期离线实验虽然已经验证了价值观推理结果能提升视频排序的准确率，但线上真实场景中，用户反馈信号（时长、点赞、关注、打赏、长期留存）与视频价值之间的相关性到底怎样，目前没有任何理论能给出定论。另外，不同推荐业务场景的作者生态和消费者群体不同，价值内容也会呈现明显差异。所以，只有通过完整的线上对比实验，才能准确判断系统隐藏的价值需求与短板。

线上落地实验

实验在快手主站精选页的重排阶段进行，采用经典的A/B实验范式：每组约5%流量，覆盖千万级用户群体；AA期观察一周，AB实验持续超过一个月。每个实验组在重排阶段适度提升某一类价值观视频的分发权重，观察各业务指标的变化。

初步结果：多业务板块同步增长

这正是本研究最值得关注的地方——价值观调控能够拉动多个业务维度，而且不同价值观与多业务指标的关联存在明显差异。

• 内容消费：个人安全组显著提升了用户APP使用时长及留存指标。
• 直播业务：多个价值观组别（个人安全、传统、仁慈-关怀等）对直播送礼金额有显著正向影响。
• 电商业务：享乐主义、个人安全、社会安全等价值观组别对大盘结算GMV有明显正向贡献，买家数也同步增长。
• 社交互动：多个价值观组别显著提升了双关用户的内容互动与分享行为，平台社交活跃度得到改善。
• 主动搜索：大多数实验组都显著提升了用户主动搜索次数，其中刺激类价值观视频的带动作用最为突出。

为什么有效？一点理论解读

这一系列结果背后，有两个值得深挖的发现。

其一，供需平衡需求。原有的推荐分发策略以主题作为内容的主要表征维度，视频的价值观属性在分发过程中并没有被显式考量。这意味着，某些价值观类型的视频，平台上的供给比例长期低于用户的潜在需求——一旦主动提升这类内容的分发权重，用户的正向反馈立刻就来了。

其二，价值观的行为驱动力。本研究在全体用户层面统一提升了某类价值观视频的曝光比例。结果发现，特定价值观维度的内容，在大盘层面更容易激发用户的观看、互动与转化行为。这个发现也有一定理论价值：它把社会心理学中成熟的价值观理论与推荐系统的内容理解问题连接了起来，同时也为价值观理论本身提供了新证据——在数字内容消费这样大规模的真实场景下，不同价值观类型对人类行为的影响存在因果性、系统性差异，这是以往依赖问卷或小样本实验的价值观研究很难触及的。

意义与展望

这些发现背后的核心逻辑在于：人类行为选择的背后，往往由深层价值观驱动。不同价值观类型的内容，在激发用户消费、互动与转化行为上存在系统性差异。除视频主题外，价值观完全可以作为视频内容的一个新维度，帮助推荐系统识别出那些在业务带动上更具潜力的内容，并通过调整分发策略加以放大。

图2 – 价值观在用户行为和心理转化中的驱动性影响

更值得期待的是，本研究展示了一个颇具潜力的方向：将人文社科领域的理论构念引入工业级推荐系统，为工业推荐场景提供了新思路、新视角。说到底，推荐系统作为整合并匹配生产者与消费者资源的核心算法节点，其内在本质上可能就是一个“研究人的学科”。

参考资料：

[1] Kejun Chen, Shuchang Liu, Jiayin Zhang, Zhitao Yin, Yandong Bai, Xin Li, Sean Xin Xu, Qing Yu, Xiang Li: Individualized Value Discovery using LLMs for Short Video Recommendation. ICIS 2025

[2] Qing Yu, Xiaobei Wang, Shuchang Liu, Yandong Bai, Xiaoyu Yang, Xueliang Wang, Chang Meng, Shanshan Wu, Hailan Yang, Huihui Xiao, Xiang Li, Fan Yang, Xiaoqiang Feng, Lantao Hu, Han Li, Kun Gai, Lixin Zou: Who You Are Matters: Bridging Topics and Social Roles via LLM-Enhanced Logical Recommendation. CoRR abs/2505.10940 (2025)