【演算法破解 Ep.2】AI 實測：Threads 演算法更看重誰？隨機森林模型揭露「讚」的權重竟是轉發的 6 倍！

上一集，我們用「熱力圖」證明了「按讚」跟「曝光」的關係最密切。但這時候一定有人會跳出來說：

「相關性又不等於因果！搞不好是因為曝光多，所以讚才變多啊？」

沒錯，統計學的第一課就是「Correlation is not Causation」。光看熱力圖，我們只能看到誰跟誰走得近，卻看不出「演算法大腦」在想什麼。

為了挖出 Threads 演算法內部的「權重分配」，這次我們不只是畫圖，而是直接寫程式訓練一個 AI——使用機器學習中的「隨機森林迴歸模型 」，把那 2026 年 1 月份的 10 萬筆數據丟進去訓練，讓 AI 自己告訴我們：在它眼裡，哪個指標才是真正的老大？

結果非常驚人，數據直接量化了「讚」的統治地位。

為什麼要用「隨機森林」？

隨機森林 (Random Forest) 是一種非常強大的機器學習演算法。

簡單把它想像成「100 個社群專家」同時在開會。我們把 10 萬篇貼文的數據（讚、回覆、轉發）丟給這 100 個專家，讓他們去預測每一篇貼文的「觀看數」。

當訓練完成後，我們就可以反問這些專家：「嘿，你們在預測觀看數時，覺得哪個指標最重要？」

這就是所謂的 特徵重要性。這比單純的相關係數更具備因果解釋力，因為它模擬了決策過程。

Python 實戰：訓練你的 AI 鑑識官

這是核心程式碼，我們使用 scikit-learn 套件來完成這件事：

### 延續上集程式碼
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

# 1. 準備數據 (X=特徵, y=目標)
# 這裡我們用 '讚', '回覆', '轉發' 來預測 '觀看'
X = df[['讚', '回覆', '轉發']]
y = df['觀看']

# 2. 切分訓練集與測試集 (80% 訓練, 20% 考驗)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 建立並訓練隨機森林模型
# n_estimators=100 代表我們請了 100 棵樹(專家)來投票
rf = RandomForestRegressor(n_estimators=100, n_jobs=-1, random_state=42)
rf.fit(X_train, y_train)

# 4. 提取「特徵重要性」
importances = pd.DataFrame({
    "Feature": X.columns, 
    "Importance": rf.feature_importances_
}).sort_values(by="Importance", ascending=False)

print("--- 特徵重要性 ---")
print(importances)

# 5. 驗證模型準確度 (R-squared)
# 用保留的那 20% 測試資料來考考模型
y_pred = rf.predict(X_test)
r2 = r2_score(y_test, y_pred)

print(f"\n--- 模型解釋力 (R-squared) ---")
print(f"R-squared score: {r2}")

數據解密：AI 眼中的權重分配

程式跑完後，模型吐出了這張成績單：

這組數字比上一集的熱力圖更殘酷，也更清晰：

「讚」是絕對主宰 (65.6%)： 在預測流量時，「讚數」的權重超過了六成。這代表 Threads 的演算法在判斷「這篇貼文該不該給更多人看」時，最重要的訊號就是點讚。

轉發真的沒那麼神 (11.6%)： 你沒看錯，雖然轉發能把貼文擴散出去，但在演算法的權重計算裡，它的影響力甚至只有「讚」的 1/6，也只有「回覆」的一半。

回覆是第二把交椅 (22.8%)： 留言互動確實有效，它是輔助讚數的重要推手，但不是主力。

還有 47% 的「幽靈因素」？(R-squared 分析)

做數據分析不能只報喜不報憂。我們的模型跑出了一個 R-squared Score = 0.535。

這是什麼意思？

意思是：光靠「讚、回覆、轉發」這三個公開指標，我們只能解釋 Threads 流量變化的 53.5%。

那剩下的 46.5% 跑去哪了？這就是演算法的「黑盒子」部分，可能包含了：

停留時間： 用戶停下來看了多久？（後台數據抓不到）

點擊展開 ： 有沒有點開「更多」看全文？

發文時間點： 凌晨發文跟下班時間發文，起跑點就不同。

帳號權重： 你是不是原本就是大 V？

...

結論： 雖然我們無法掌握那 46.5% 的黑盒子，但在我們能掌握的 53.5% 裡，全力拚「讚」是投報率最高的策略。

給小編的戰術指導

看完這兩集的數據實測，戰略已經很明顯了：

放棄「求轉發」的執念

「騙讚」不可恥，且有用

10 萬筆數據集下載

想要驗證我的說法？或是想拿去跑其他的分析？這裡提供這次測試用的完整數據集。

數據規格：

時間： 2026 年 1 月（最新演算法環境）

數量： 100,000 筆中文串文數據

內容：各串文發文後約24小時數據快照

[👉 點此下載 Threads 測試數據集 (.csv)]

下一集預告：拆解隔壁 X 的演算法，直擊「黑盒子」核心！

這集我們用隨機森林去「逆向工程」Threads 的權重，因為它的演算法是不公開的黑盒子。但你知道嗎？隔壁棚的 X (前 Twitter) 其實非常大方地把它的推薦演算法開源了！

下一集，我們將深入拆解 X For You Feed Algorithm 的官方開源架構，看看這套世界級的推薦系統是如何運作的。

搞懂了 X 的邏輯，或許我們就能舉一反三，更透徹地理解所有社群平台（包括 Threads）背後的「上帝視角」。