Как на самом деле работает алгоритм X (Twitter)
Архитектура рекомендаций, машинное обучение, вирусность, реклама и глобальная экономика внимания.
Содержание
Введение
Когда пользователь открывает X, он видит публикации, комментарии, лайки и рекламу. Однако за привычным интерфейсом находится сложная рекомендательная система.
Она отбирает потенциально интересный контент, оценивает его релевантность, учитывает пользовательские действия и формирует персонализированную ленту.
X можно рассматривать как инфраструктуру распределения человеческого внимания. Разберём её с инженерной точки зрения.
1. Архитектура рекомендательной системы
X — это не просто социальная сеть с публикациями и подписками. За пользовательской лентой находится рекомендательная инфраструктура, которая отбирает материалы, оценивает их релевантность и формирует персонализированную последовательность публикаций.
Главная техническая задача заключается в том, чтобы быстро выбрать небольшое количество релевантных публикаций из огромного множества доступного контента.
Упрощённая архитектура современной рекомендательной системы включает генерацию кандидатов, фильтрацию, машинное ранжирование и окончательное формирование ленты.
2. Candidate Generation
Candidate Generation — этап поиска публикаций, которые потенциально интересны пользователю. На этом этапе система ещё не определяет окончательный порядок материалов.
Источниками кандидатов могут быть публикации подписок, рекомендации за пределами подписок, социальные связи и семантически близкий контент.
В публичных материалах Twitter 2023 года описывались in-network и out-of-network рекомендации. Однако опубликованная тогда архитектура не обязательно полностью соответствует текущей системе X.
3. Embeddings и моделирование интересов
Embedding — математическое представление объекта в виде вектора чисел. В рекомендательных системах такие представления помогают сопоставлять пользователей, публикации и интересы.
Например, пользователь, регулярно читающий материалы о Kotlin, SaaS и искусственном интеллекте, может получать рекомендации авторов, на которых он не подписан.
Векторная близость помогает искать потенциально интересные публикации, но сама по себе не гарантирует их показ.
4. Machine Learning Ranking
После генерации кандидатов система должна определить порядок их показа. Для этого используются модели машинного обучения и дополнительные правила ранжирования.
Модели могут прогнозировать вероятность лайка, ответа, репоста, клика и отрицательной обратной связи. Точный набор сигналов и их веса в актуальной системе X полностью публично не раскрыты.
Большое количество лайков не гарантирует высокую позицию публикации. Важны контекст, аудитория и другие признаки.
5. Лайки, комментарии и время просмотра
Различные взаимодействия несут разную информацию. Лайк может означать одобрение, ответ — заинтересованность или несогласие, а репост — желание распространить материал.
Время взаимодействия с публикацией также может быть полезным сигналом. Однако длительное внимание не всегда означает положительный пользовательский опыт.
Нельзя достоверно утверждать, что комментарии или время просмотра имеют определённый фиксированный вес в алгоритме X в 2026 году.
7. Exploration vs Exploitation
Рекомендательные системы сталкиваются с выбором между знакомыми пользователю темами и новым контентом.
Exploitation означает использование уже известных интересов. Exploration — проверку новых тем и авторов, которые потенциально могут заинтересовать пользователя.
Баланс этих подходов помогает избежать как однообразия, так и чрезмерного количества нерелевантных рекомендаций.
8. Ragebait и негативный контент
Эмоционально насыщенные публикации способны вызывать интенсивные обсуждения. Пользователи спорят, цитируют сообщения и возвращаются к дискуссиям.
Однако высокая вовлечённость не означает, что платформа сознательно продвигает исключительно негативный контент.
Для предпринимателя провокационные охваты часто менее ценны, чем доверие небольшой целевой аудитории.
9. Trust Systems, спам и ограничения
Крупные платформы используют механизмы обнаружения спама, автоматизации и координированных манипуляций.
Подозрительными признаками могут быть массовые одинаковые ответы, неестественная частота действий и искусственное распространение публикаций.
При этом существование единого универсального trust score для каждого аккаунта X публично не подтверждено. Снижение охватов также не является самостоятельным доказательством shadowban.
10. Как работает реклама в X
Рекламные платформы используют аукционные механизмы для распределения ограниченного количества рекламных показов.
На результат могут влиять ставки рекламодателей, цели кампании, прогноз целевого действия и качество объявления.
Максимальная ставка не обязательно означает победу. Рекламная система может учитывать ожидаемую ценность показа и дополнительные ограничения.
Точные правила актуального рекламного аукциона необходимо проверять по официальной документации X.
11. Экономика внимания
Внимание человека ограничено. X конкурирует за пользовательское время не только с другими социальными сетями, но и с видеоплатформами, играми, новостями и мессенджерами.
Вовлечённость создаёт возможности для монетизации, но краткосрочный рост просмотров не обязательно приводит к долгосрочной прибыли.
Платформам приходится учитывать удержание аудитории, качество пользовательского опыта, безопасность и интересы рекламодателей.
12. Что это означает для предпринимателей
Создать цифровой продукт сегодня часто проще, чем обеспечить ему стабильный поток потенциальных покупателей.
Поэтому дистрибуция становится важным конкурентным преимуществом. Для SaaS-основателя ценны не просто просмотры, а переходы на сайт, регистрации, обращения и продажи.
Содержательные технические публикации, практические кейсы и участие в профессиональных обсуждениях помогают формировать аудиторию вокруг реальной экспертизы.
13. Что известно, а что остаётся неизвестным
В 2023 году Twitter опубликовал часть исходного кода рекомендательной системы. Это позволило изучить отдельные компоненты формирования ленты For You.
Однако открытый репозиторий отражает конкретный период развития платформы и не гарантирует полного соответствия производственной инфраструктуре X в 2026 году.
Точные веса сигналов, внутренние правила распределения охватов и актуальные механизмы антиспам-оценки нельзя достоверно восстановить только по наблюдениям пользователей.
Заключение
Популярность в X зависит не от одного секретного сигнала, а от взаимодействия контента, аудитории, рекомендательных механизмов и социальной динамики.
Вместо поиска универсального способа обмануть алгоритм полезнее понимать принципы рекомендаций, изучать свою аудиторию и создавать содержательные материалы.
Дополнительные материалы
Кирилл Березнев
Software Engineer и SaaS Founder. Разрабатываю программные продукты, мобильные приложения и SaaS-сервисы. Работаю с Kotlin, Go, TypeScript, Rust и технологиями мобильной разработки.