X 推荐算法详解：从特征到排序的完整链路

一、前言

2026 年 1 月，X （Twitter）平台再次向全球开发者开放了其“For You”推荐算法的源代码。

相较于 2023 年部分开源的碎片化版本，2026 版内核实现了底层架构的范式重构：全面废除手工特征工程。

本文从推荐算法的视角，聚焦 X推荐系统的算法部分，按照推荐系统的标准阶段进行拆解：

二、特征工程与样本构建

2.1 无手工特征

X 抛弃了统计特征、交叉特征，直接全部使用 ID特征 。（没有使用多模态embedding、物品tag特征，会不会少很多先验知识？）

2.2 多重 Hash 的ID Embedding

X的用户和帖子的 ID 空间巨大（数十亿级别），如果只用 1 次hash，要把冲突率降到极低，表必须开得很大，因此这里采用多重Hash Embedding 的方案：

ID通过2种hash方式（或2种seed），得到2个hash值，分别过look-up table得到128d的embedding。接着把他们concat起来过一个无激活函数的Linear层再压缩回128d

从配置可以看出来，作者id、用户id、物品id都用了2套hash：

# Hash configuration
hash_config = HashConfig(
    num_user_hashes=2,
    num_item_hashes=2,
    num_author_hashes=2,
)

为什么用多重 Hash？

1. 控制参数规模：Hash 表大小固定，不随 ID 数量增长
2. 减少hash冲突：同时在两个hash函数上都冲突的概率极低
3. 内存优化：假设hash table大小是N，那么只需要N的table存储空间，就可以表示N^2的结果

2.3 用户序列特征处理

用户序列的处理方式很普通，而且只有互动序列一种，具体细节：

• 序列类型：互动序列，只曝光不互动的不要
• table共享：与item id共享look-up table
• 序列长度：保留最近的 N 条，具体长度未开源
• 聚合方式：时间窗口内 用户id+帖子id 去重，窗口大小未开源
• side-info：帖子id+作者id+动作+场景
  • 其中动作：采用multi-hot + 线性层处理

2.4 上下文特征

只有1个上下文特征（没错，就1个）：

注意：只有 product_surface 是作为模型输入的 Embedding 特征。其他特征并没有送入模型，而是做了一些未开源的策略。

2.5 物品侧特征

只有 1个ID 特征（没错，就1个）

2.6 特征工程总结

简单粗暴，模型只需要 ID + 序列 + 场景，让 Transformer 端到端学习一切。

三、召回

3.1 Thunder 召回（关注流）

• 功能：负责召回用户关注账号的帖子
• 召回分：时间戳

3.2 Phoenix 召回（发现流）

• 召回路数：只有双塔
  • 用户塔用 Transformer，候选塔只用 MLP
  • 没有其他召回通道（如热门、协同过滤、图召回等）
  • L2归一化+点积计算余弦相似度，取topk
• 召回Quota：未开源
• 召回降级：如果用户没有序列，则使用关注流召回；如果没关注，就用热门结果

3.3 召回后过滤

没有特别重的业务逻辑（可能是没开源呢？），都是一些普通的过滤：

四、粗排（无）

没有粗排，只做了召回截断。

五、精排

5.1 精排模型架构

X 的精排模型基于 Grok Transformer：

与传统的Transformer Encoder区别：

• 使用RMSNorm代替LN
• FFN使用（GELU + Gate）
• 位置编码使用RoPE
• 支持GQA
• Attention 缩放使用Tanh 软裁剪 + 自定义 multiplier

max_attn_val = jnp.array(30.0, dtype=attn_logits.dtype)
attn_logits = max_attn_val * jnp.tanh(attn_logits / max_attn_val)

模型参数仅供参考，感觉是随便给的：

5.2 Candidate Mask

标准 Transformer 的 Self-Attention 会让所有位置互相影响。如果候选之间可以互相 attend，那么候选 A 的分数会受候选 B 影响，因此对于候选集做了mask如下图：

注意：开源的代码和readme中所给的图不一致，如果严格按照代码则是使用causal attention，如下图：

5.3 多目标预测

精排模型直接同时预测 18 种用户行为的概率：

5.4 加权评分

所有预测结果通过加权求和得到 weighted_score（居然是加法公式）：

具体的权重值未开源

六、重排

精排之后，X 通过一系列重排策略对候选进行最终调整：

6.1 多样性打散-同作者打散

目标：防止同一作者的帖子霸占信息流。

公式：

其中：

• n = 该作者第几次出现（0-indexed）
• decay = 衰减因子
• floor = 下限（防止分数被压到 0）

设计意图：大 V 刷屏时，后续帖子会被逐渐压低，给其他作者的内容让出位置。

6.2 加权/降权-关注贴调权

目标：平衡发现流和关注流内容的比例。

计算公式：

其中：

• \text{score}_{\text{weighted}}​ = 精排阶段的加权分数
• \alpha_{\text{oon}} 是调整系数，未开源

设计意图：

• 用户关注了某人 = 明确表达兴趣，应优先展示
• 但完全不推荐新内容会导致"信息茧房"

6.3 强插（无）

开源代码没有强插部分

七、总结

1. 架构极简，部分地方过于简单
2. 核心超参数、样本、模型参数未开源，只有个骨架
3. 和现有成熟的推荐系统比，缺少了冷启、粗排、多样性打散等生态策略，更像一个玩具demo（也可能是没开源）
4. 总之：干货不多（狗头）

本文基于 x-algorithm编写，聚焦算法层面的分析。如有理解不对的地方，欢迎指正！

参考链接：

https://github.com/xai-org/x-algorithm