社交媒体上的“点赞”，对按下它的人来说，是一种轻量的共鸣表达。那么，从运营这个场所的平台企业的角度看，“点赞”是一种具有什么意义的数据呢？“点赞越多，帖子就能触达越多的人”这一通行说法经常被提起，但很少有人基于平台自身的说明来讨论它。本文仅以Meta（Facebook、Instagram）和X（原Twitter）自行公开的文件——Meta透明度中心的排序说明、Instagram官方博客的排序说明、X帮助中心的推荐机制说明，以及X于2023年开源的算法实际代码——为依据，梳理各平台官方赋予“点赞”的意义（引文均于2026年7月25日在原文页面确认）。
先说结论 — 对平台而言，点赞是“预测的材料”
将各平台的官方文件相互对照，标题所提问题的答案十分明确。在平台看来，“点赞”在成为对发帖者的评分之前，首先是用于预测用户反应的输入数据（信号）。其用途可以归结为以下两点。
| 角色 | X | ||
|---|---|---|---|
| ① 学习点赞者本人兴趣的材料 | 被明确列为“数千个信号”的代表性例子 | Feed中最受重视的5项预测中明确包含“点赞的概率” | 被明确列为排序神经网络的训练数据 |
| ② 让帖子浮现给其他用户的材料 | “有多少好友点赞了该帖子”是输入信号 | “有多少人点赞、点赞速度有多快”是帖子的热度信号 | “你的网络中的人点赞过的帖子”是推荐候选 |
正因为存在②，开头提到的通行说法——“点赞越多帖子越容易浮上来”——能够在官方文件中得到印证。不过，这并不是直接加分的机制。这些平台都没有按“点赞数从多到少”来决定帖子的展示顺序，而是针对每一位浏览者预测“这个人对这条帖子做出点赞、回复等反应的概率”，并根据该预测值决定展示顺序。已经积累的点赞，是作为推高这一预测的输入数据间接地发挥作用。
还有一点是Facebook与X共通的：单独的点赞，其权重低于回复、评论等“能产生对话的反应”。X通过公开代码中的权重、Meta通过方针文件，分别阐明了这一点。下面依次来看。
Facebook（Meta）— 点赞是“数千个信号”的代表性例子
信号与预测的关系
Meta透明度中心的《Our approach to Facebook Feed ranking》将决定信息流展示顺序的机制解释为“从信号（输入信息）建立预测”的结构。
Then, for each of these posts, we consider thousands of “signals” to make predictions about what you will find most interesting.
（然后，对于这些帖子中的每一条，我们会考虑数千个"信号"，以预测你会觉得最有趣的内容）
而点赞被点名为这些信号的代表性例子。
Many of these signals are pieces of information you give us directly when you like or share a post, you connect with a friend or Group, or you comment on a Page’s post
（这些信号中的很多，是你在给帖子点赞或分享、与好友或小组建立联系、在公共主页的帖子下评论时，直接提供给我们的信息）
“好友的点赞”会让帖子浮上来
Meta为其主要AI系统分别公开了名为“系统卡片”的说明文件，Facebook信息流的系统卡片中，有一段从帖子一侧看相当于“点赞的效果”的描述：帖子所获得的好友点赞被列为输入信号的例子。
These signals might include who created the post and how you previously interacted with them, whether the post is a photo, a video or a link, or how many of your friends liked the post.
（这些信号可能包括：帖子的创建者是谁、你过去与其如何互动、帖子是照片、视频还是链接，以及有多少好友给该帖子点了赞，等等）
也就是说，当一条帖子积累了点赞，在点赞者的好友的信息流中，“有多少好友点赞了该帖子”这一信号的数值就会上升，该帖子也就更容易在那里浮现。点赞的设计不仅影响点赞者本人的屏幕，还会经由其交友关系影响帖子的分发范围。
不过，点赞的权重因人而异
同一份文件也明确指出，点赞这一信号的权重并非一律相同。
Another example is that for some people, “liking” a post is a strong indicator that they found that post valuable, whereas for others (such as people who don’t use the “Like” button), spending time reading the post may be a more useful prediction.
（再举一个例子：对某些人来说，给帖子"点赞"是他们认为该帖子有价值的强烈指标；而对另一些人（比如不使用"赞"按钮的人）来说，阅读帖子所花费的时间可能是更有用的预测材料）
方针上优先“能产生对话的帖子”
Meta在2018年的新闻室文章中宣布，将排序的重心从互动反应数之类的互动数量，转向重视人与人之间“有意义的互动”。
we will predict which posts you might want to interact with your friends about, and show these posts higher in feed. These are posts that inspire back-and-forth discussion in the comments and posts that you might want to share and react to
（我们会预测哪些帖子是你可能想与好友互动讨论的，并把这些帖子显示在信息流的更高位置。这些帖子包括在评论区激发往复讨论的帖子，以及你可能想分享和做出反应的帖子）
点赞有效，但能在评论区引发往复讨论的帖子会排得更靠前——这一先后次序，在后文X的公开代码中体现为具体的数值。
Instagram — 每个板块各有排序，在Explore和Reels中“点赞”是主要预测项
运营Instagram的同样是Meta，但Instagram并没有单一的算法。据Instagram官方博客的说明《Instagram Ranking Explained》（2023年），Feed、快拍（Stories）、发现页（Explore）、Reels等各个板块，分别运行着不同的排序。在此基础上，该说明列举了Feed中最受重视的5项互动预测，“点赞的概率”是其中之一。
In Feed, the five interactions we look at most closely are how likely you are to spend a few seconds on a post, comment on it, like it, share it, and tap on the profile photo.
（在Feed中，我们最密切关注的5项互动是：你在一条帖子上停留几秒的概率、评论的概率、点赞的概率、分享的概率，以及点击头像的概率）
关于已积累的点赞让帖子浮上来的一侧，描述同样明确。同一份说明在Feed排序所用的“关于帖子的信息”中，将点赞的数量和速度列为热度的衡量标准。
These are signals both about how popular a post is – think how many people have liked it and how quickly people are liking, commenting, sharing and saving a post – and more mundane information about the content itself, like when it was posted, and what location, if any, was attached to it.
（这些信号既包括帖子有多受欢迎——想想有多少人点了赞、人们点赞·评论·分享·收藏的速度有多快——也包括关于内容本身的更基本的信息，比如发布时间，以及是否附带了位置信息）
在向关注范围之外曝光的板块中，点赞的预测更加靠前。关于发现页和Reels，同一份说明列举的最重要预测项如下。
The most important actions we predict in Explore include likes, saves, and shares.
（我们在Explore中预测的最重要的行为，包括点赞、收藏和分享）
The most important predictions we make are how likely you are to reshare a reel, watch a reel all the way through, like it, and go to the audio page
（我们做出的最重要的预测是：你转发某条Reel的概率、完整看完的概率、点赞的概率，以及进入音频页面的概率）
在Meta透明度中心的Instagram Feed系统卡片中，包括点赞在内的积极行为，也被列为“喜欢该帖子的概率”的预测材料。
Whether you take a positive action on the post, such as liking, commenting or resharing
（你是否会对该帖子做出点赞、评论、转发等积极的行为）
“点赞是反应概率的预测材料，已积累点赞的数量与速度构成热度信号”——这一结构与Facebook相同。在X上这一结构也没有变化，但由于X公开了实际代码，我们还可以进一步确认到具体的数值。
X — 帮助中心的说明与公开代码中写明的权重
官方说明: 点赞既是训练数据，也是推荐的信号
X帮助中心的《For You Home Timeline Recommendations》对决定“为你推荐（For You）“时间线展示顺序的机制作了如下说明。
𝕏 ranks the relevance of posts using a neural network that is continuously trained on your interactions (e.g. Likes, Reposts, and Replies) to give you a positive experience.
（为了给你提供良好的体验，X使用一个以你的互动（如点赞、转帖、回复）持续训练的神经网络，对帖子的相关度进行排序）
同一份文件进一步将“他人的点赞”列为推荐所用信号的例子。
We recommend posts to you based on a variety of signals including, but not limited to, accounts you follow, Topics you follow, posts you like, posts liked by those in your network, and accounts followed by those in your network.
（我们基于多种信号向你推荐帖子，包括但不限于：你关注的账号、你关注的话题、你点赞过的帖子、你的网络中的人点赞过的帖子，以及你的网络中的人关注的账号）
这与Facebook的“好友的点赞”是同一结构。当一条帖子获得点赞，它就成为点赞者的关注者的“为你推荐”中的推荐候选。关注范围之外的帖子出现在时间线上的主要途径之一，就是这种“网络内的点赞”。
公开代码中写明的权重: 点赞0.5、回复13.5
2023年3月，X在GitHub上公开了推荐算法的实际代码。承担排序最终环节的模型“Heavy Ranker”的README中，直接写明了分数的计算公式：预测每种互动（点赞、转帖、回复等）发生的概率，分别乘以权重后求和。
score = sum_i { (weight of engagement i) * (probability of engagement i) }
（分数 ＝ Σ（互动i的权重 × 互动i的发生概率））
同一README中记载的权重实际数值（截至2023年4月5日）如下。
| 互动 | 权重 |
|---|---|
| 点赞的概率（fav） | 0.5 |
| 转帖的概率（retweet） | 1.0 |
| 打开会话并停留2分钟以上的概率（good_click_v2） | 10.0 |
| 打开会话并回复或点赞的概率（good_click） | 11.0 |
| 打开个人资料并点赞或回复的概率（good_profile_click） | 12.0 |
| 回复的概率（reply） | 13.5 |
| 回复并获得发帖者回应的概率（reply_engaged_by_author） | 75.0 |
| 观看视频过半的概率（video_playback50） | 0.005 |
| “减少显示”·屏蔽·静音的概率（negative_feedback_v2） | −74.0 |
| 举报的概率（report） | −369.0 |
在正向权重中，点赞属于最轻的一类：是回复的27分之1，是“回复获得发帖者回应”概率的150分之1。另一方面，负面反应的权重很大，简单换算的话，1件“减少显示”之类的预测就能抵消148件点赞。
不过，把这些数值解读为“对X而言回复的价值是点赞的27倍”还为时过早。README中写明，权重最初的设定目标，是让发生频率各不相同的每种互动的平均贡献大致相当。点赞的发生频率远高于回复，所以即使权重较小，贡献也能保持平衡。此外，README还明确写道“此后为了优化平台指标而定期调整”，因此无法保证公开时点的数值至今仍在使用。
另外，算法公开时发表在X（当时的Twitter）工程博客上的解说文章，截至2026年7月25日已成为失效链接，无法确认其内容。目前仍可查阅的官方资料，是上述的帮助中心页面和GitHub仓库。
点赞增多后，帖子是如何浮上来的
综合三个平台的文件，点赞推高帖子曝光的途径可以归纳为两条。
第一条是作为预测模型的输入。展示顺序由针对每位浏览者的“做出反应的概率”预测决定，而帖子已经获得的点赞数量和点赞者的构成，都包含在计算这一预测的材料之中。点赞已经聚集这一事实本身，就会强化“下一位浏览者也会做出反应”的预测。
第二条是作为生成分发候选的途径。在Facebook上以“有多少好友点赞了该帖子”、在X上以“你的网络中的人点赞过的帖子”的形式，点赞发挥着把帖子送入点赞者的社交关系的信息流的作用。在Instagram上，除了“有多少人点赞、点赞速度有多快”这一热度信号之外，在向关注范围之外曝光的发现页和Reels中，最重要的预测项也包含“点赞的概率”。这是帖子扩散到关注者·好友范围之外的机制的核心；从发帖者的角度看，可以说这一侧的效果在结构上更大。
另一方面，任何一个平台都没有采用“把点赞数多的帖子排在上面”这样简单的机制。Meta明确写明点赞的权重因人而异，Facebook自2018年起提出了优先能产生对话的帖子的方针。在X的公开代码中，点赞的权重比回复类互动低了一个数量级以上。
总结
- 在平台看来，“点赞”在官方文件中是用于预测用户反应的输入数据（信号）。它有两个角色：让平台学习点赞者本人的兴趣，以及让帖子浮现给其他用户。后者在Facebook上被明确写为“有多少好友点赞了该帖子”，在Instagram上是“有多少人点赞、点赞速度有多快”这一热度信号，在X上则是“你的网络中的人点赞过的帖子”
- Facebook、Instagram、X都官方说明，帖子的展示顺序不是按“点赞数从多到少”，而是由针对每位浏览者的反应概率预测决定
- 因此，“点赞越多帖子越容易触达”能在官方文件中得到印证，但其起效方式不是直接加分，而是推高预测的间接作用
- Instagram在每个板块各有一套排序，在向关注范围之外曝光的发现页和Reels中，“点赞的概率”位列最重要的预测项
- Facebook和X对能产生对话的反应（评论、回复及其往复）的重视程度高于单独的点赞。Meta通过方针文件、X通过公开代码（截至2023年4月）表明了这一点；在后者中，点赞的权重为0.5，而回复为13.5，回复获得发帖者回应时为75.0
- X的权重是以校正频率差异为意图设定的，且明确写明会定期调整，因此不能把数值的比例直接解读为“价值的比例”
参考资料
- Our approach to Facebook Feed ranking — Meta Transparency Center
- Facebook Feed AI system — Meta Transparency Center
- How AI Influences What You See on Facebook and Instagram — Meta Newsroom（2023年）
- News Feed FYI: Bringing People Closer Together — Meta Newsroom（2018年）
- Instagram Ranking Explained — Instagram Blog（2023年）
- Instagram Feed AI system — Meta Transparency Center
- For You Home Timeline Recommendations — X Help Center
- twitter/the-algorithm-ml projects/home/recap/README.md（Heavy Ranker的解说与权重） — GitHub