TikTok-style recommendation: vì sao architecture quan trọng không kém algorithm?

Khi nói về TikTok, mọi người thường nói: “algorithm của nó quá mạnh”.

Điều đó đúng một phần. Nhưng nếu chỉ nói algorithm, ta bỏ sót một nửa câu chuyện: kiến trúc sản phẩm của TikTok cũng tạo điều kiện cho recommendation mạnh hơn.

Một feed toàn màn hình, một video tại một thời điểm, tín hiệu watch time cực rõ, hành vi vuốt qua rất nhanh, ít phụ thuộc vào social graph. Những thứ này không chỉ là UI. Chúng là data collection surface, là feedback loop, là cách sản phẩm dạy model hiểu người dùng.

Bài này không cố reverse-engineer TikTok. Tôi chỉ đọc nguồn chính thức của TikTok và một số nghiên cứu học thuật để hiểu tại sao architecture quan trọng không kém algorithm.

Nguồn tôi đọc

• TikTok Newsroom — How TikTok recommends videos #ForYou
• TikTok Support — For You
• arXiv — Platform architecture determines whether recommendation algorithms can shape information quality on social media

1. TikTok nói gì về For You feed?

Theo mô tả chính thức của TikTok, For You feed phản ánh sở thích riêng của từng người dùng. Hệ thống ranking dựa trên nhiều nhóm tín hiệu, gồm tương tác của người dùng, thông tin video và một số thiết lập thiết bị/tài khoản.

Các tín hiệu tương tác có thể gồm:

• video bạn like/share/comment;
• account bạn follow;
• nội dung bạn tạo;
• video bạn xem hết hay bỏ qua;
• nội dung bạn đánh dấu không quan tâm.

Nói đơn giản: feed không chỉ học từ điều bạn nói thích, mà học từ hành vi rất nhỏ.

2. Architecture của sản phẩm tạo ra tín hiệu tốt

TikTok có một điểm mạnh rất rõ: mỗi lần người dùng xem một video, hệ thống nhận được feedback khá sạch.

Video A
  → xem 2 giây rồi lướt
Video B
  → xem hết
Video C
  → xem lại
Video D
  → like + share

Với mỗi item, hệ thống dễ đo:

• watch time;
• completion rate;
• rewatch;
• skip;
• like;
• share;
• comment;
• follow after watching.

Một UI dạng endless short-video feed tạo ra vòng lặp cực nhanh:

recommend → user reacts → collect signal → update ranking → recommend tiếp

Trong nhiều sản phẩm khác, tín hiệu mờ hơn. Ví dụ CRM search: user click một customer chưa chắc nghĩa là kết quả tốt. Họ có thể click vì tò mò, vì không có lựa chọn khác, hoặc vì tên giống nhau.

3. Paper về platform architecture nói điều gì?

Một paper năm 2026 trên arXiv bàn về việc platform architecture và recommendation algorithm cùng ảnh hưởng đến chất lượng thông tin. Paper mô phỏng nhiều kiểu kiến trúc: tree như Reddit, hierarchy như Facebook, network như Twitter, và complete graph như TikTok.

Điểm đáng chú ý: tác giả cho rằng ở những platform linh hoạt hơn, algorithm có khả năng shape information spread mạnh hơn. Với cấu trúc giống TikTok, popularity-based recommendation có thể tạo dynamics kiểu winner-take-all.

Tôi đọc phần này như một lời nhắc: recommendation không tồn tại trong chân không. Nó sống trong kiến trúc sản phẩm.

4. Bài học cho product builder

Nếu bạn đang xây một hệ thống recommendation nhỏ, đừng bắt đầu bằng câu hỏi “dùng model gì?”.

Hãy hỏi trước:

• item là gì?
• user feedback nào là rõ nhất?
• feedback nào dễ bị nhiễu?
• UI có làm tín hiệu rõ hơn không?
• hệ thống có cần exploration không?
• có cần tránh lặp nội dung không?
• metric tối ưu có gây tác dụng phụ không?

Ví dụ trong CRM, gợi ý “next best action” có thể dựa vào:

- user chọn action nào
- user bỏ qua action nào
- action nào dẫn tới follow-up thật
- action nào giúp deal chuyển stage
- action nào bị sửa lại nhiều

Nhưng nếu UI không ghi nhận skip/correction, model sẽ thiếu feedback. Khi đó ranking có hay đến đâu cũng khó cải thiện.

5. Một flow recommendation nhỏ cho CRM

Candidate actions:
  - Call customer
  - Send follow-up email
  - Create quote
  - Schedule meeting
  - Mark as cold lead

Features:
  - deal stage
  - last activity time
  - lead source
  - customer segment
  - previous response behavior

Ranking:
  - rule-based baseline trước
  - sau đó mới ML nếu có đủ data

Feedback:
  - accepted
  - ignored
  - edited
  - completed
  - resulted in conversion

Bản đầu tiên không cần deep learning. Cái cần là feedback loop đúng.

Kết

TikTok mạnh không chỉ vì thuật toán. Nó mạnh vì sản phẩm, UI, data, feedback loop và algorithm được thiết kế để nuôi nhau.

Với một AI product nhỏ, đây là bài học rất đáng giữ: trước khi hỏi model nào tốt nhất, hãy thiết kế hệ thống để thu được tín hiệu tốt nhất. Vì không có feedback loop tốt, recommendation chỉ là một danh sách được sắp xếp có vẻ thông minh.