抖音的推荐机制抖音的秘密武器!

       抖音的推荐机制是大家都想要了解的奥秘，特别是对做内容创作的人来说，今天我们将要看看抖音的推荐机制究竟是怎么工作。

　　抖音的推荐机制系统推荐介绍

　　实时推荐系统需要强大的数据作支撑(包括数据的收集和储存)，用以支持相对抽象的层面(包括算法层面、服务层面和应用程序层面)，从而解决业务方面的问题。

　　抖音的推荐系统，简单来说就是“以用户为中心”。换句话说，抖音只会推荐用户喜欢的内容，从刚刚上手的用户到活跃的用户都是如此——当然，用户越是活跃，推荐的内容也就更加精准。

　　在抖音的工作系统中，有三个主要的板块：(1)用户标记内容(2)创建用户的肖像及使用场景(3)训练机器学习算法。

　　抖音的推荐机制的数据与功能

　　内容数据。用户在使用抖音的过程中留下了大量的内容数据，这些数据可以被用来分类、归类，方便日后更加精准的推荐。

　　用户数据。这种数据包括用户在抖音上留下的各种标签、职业、年龄、性别等。

　　场景数据。这一类数据是关于用户使用场景的数据。比如，在上下班、旅行的时候，用户分别喜欢看哪一类的视频。

　　关联功能。这类功能包括根据标签推荐、关键词搜索、标签分类、资源搜索、主题标签等等。

　　用户-场景重现功能。这类功能是基于场景数据(包括用户的地理坐标、时间表、事件的标签)等重现用户观看视频的场景。

　　协同功能。简单来说，这类功能不仅会分析单个用户留下的数据，还会分析相似的用户组的数据(包括点击的内容、兴趣、关键词、主题)。

　　通过上述模型，这款应用程序将预测某些视频在某些具体的场景中是否适合某位用户。

　　抖音推荐算法

　　推荐系统的成长过程可以被视为机器学习的典型例子。然后通过算法(包括过滤模型、回归模型等)将整个推荐机制加以完善。

　　产业化的推荐系统需要灵活且可以拓展的ML平台，可以允许多种模型叠加起来，时时刻刻为用户服务。

　　除了主要算法之外，抖音的推荐系统还要根据用户肖像制定特殊的算法，具体的算法系统有层级分类。

　　在抖音上，每天都有数百万的用户上传自己的视频。有一些不符合规定的视频很可能会逃过单一的审核系统。

　　一般来说，Duo-Audit模型可以识别视频图像和关键字。它主要有两个功能：(1)检查视频中是否有违法违规的内容(包括图像和文案)，一旦有相关内容，系统会将该条视频标注成黄色和红色，留到后期再由人工审核(2)通过提取视频中的关键帧，可以将其与存档内容进行对比，减少审核时所消耗的流量，同时减少引擎的负担。

　　当上传的内容在双重审核下通过之后，它将被放入到启动池中。

　　投放进流量池后，视频可以获得数千次观看，和视频相关的数据也会被收集和分析。比如获赞数量、观看数量、完整的观看数量、评论、关注者数量、转发数量、分享数量等等。

　　经过上一个步骤，用户的反馈将成为一条视频是否可以获得更多曝光的标准。我们将介绍一个用户肖像放大机制。换句话说，优秀的视频内容将在特定的用户组(比如球迷、时尚爱好者)中得到更多的曝光。这是一种类似于“猜您喜欢什么”的概念。通过用户留下的各类数据，抖音可以建立用户的个人资料库，从而在内容和用户间进行更好的搭配。

　　在上述步骤重复一段时间后，抖音将筛选出少于1%的优秀内容投放到趋势池(Trending Pool)中。在这个区域，内容的曝光率将会比其他区域的曝光率都要高，因为这些被认为是优质内容的视频会被无差别地推荐给所有用户。

　　多久可以判定自己的视频没有流量了?

　　抖音有一个叫gravedigger的算法，可以回顾旧的视频内容，从中挑选并曝光高质量的视频。在这种算法的曝光下，一些优秀内容最终会被发掘出来。

　　潮流效应：如果你的某条内容获得了数百万的观看率，那么它就会固定在你的个人页面上。比如如果你专门发猫猫的视频，其中一条的观看率尤其高，那么这一条就会固定在你的个人页面上，而省去了其他相似的、关注度不那么高的视频。

　　据了解一条视频的曝光时间很短，短到只有短短只有一周，一周之后没有流量的话就可以放弃这个视频了。