正推的演算法

❶ 抖音短視頻如何用演算法快速上熱門

沒有播放量?沒有曝光?沒有點贊?個人號被判是營銷號，企業號是僵屍號，那麼我們應該怎麼做呢？

一、抖音引流6大核心
1：視頻需要7秒以上。
2：盡量作品以豎屏為先，橫屏盡量少發。
3：上傳視頻時，建議選擇一個類別並添加匹配的標簽。
4：不能硬植入廣告。
5：視頻不得出現水印和圖像質量模糊等問題。
6：一定不能有不良的操作，比如說出現武器、出現一些不該出現的鏡頭和畫面。
二、抖音基本的運營思路
1.定位
定位的重要性是眾所周知的。
說白了定位是找到你擅長的分類，並繼續加深內容以吸引目標用戶的關注。
大多數人不定位是因為他們沒有自己的特色。即使今天的運氣好，蹭熱點上了熱門，明天就不知道發什麼了，很難吸引用戶。因此只有給賬號定位，才是可持續發展的道路。
2.拍攝思路與形式
設備跟上，製作精良
原創性和質量必須要高。抖音與快手、火山相比，它要求視頻的整體風格應該是酷炫和年輕化。它還需要一定程度的圖像質量和拍攝技巧。總而言之質量要求相對較高。
保證每一幀的質量，提高完成率
你必須快速進入主題並充分利用每一幀畫面。否則觀眾會隨時離開。完播率上不去，演算法會認為您的視頻質量較差，不被推薦出去。
3.真人出鏡
我們與抖音官方是有對接，我可以負責任地告訴你抖音更願意支露臉的賬號，這與抖音的社會屬性是分不開的。
所以起初我們的視頻沒有真人出境，但現在他們大大增加了真人出境的頻率。
4.顏值過關
對於手快的用戶來說他們對顏值是非常寬容的，你可以看到很多普通人表現出他們不那麼漂亮的一面。但如果你想在抖音里火起來的話，至少你不能丑或邋遢。
因此我們會找顏值比較高的來做視頻的主角進行拍攝。
5.跟上熱門挑戰
最近抖音新上線了一個比較熱門的挑戰。現在參與的人不多。如果你判斷這個話題存在火的潛力，這個時候快速跟進去做一些模仿的內容，就很可能上推薦。
抖音的內容有三個入口，第一個是推薦，第二個是關注，第三個是挑戰。
這與微博熱搜的原理相同。你可能無法自己創造熱點，但你可以趕上熱點的旅程。
三.編輯
通過編輯您可以使內容以更好的形式展現。這個屬於專業人士的業務，簡單談3點要注意的：
1.背景音樂
選音樂主要有2個標准，第一是和視頻內容完美配合，這是最好的；如果這點做不到，那就選擇用戶認知度比較高的音樂，例如像《說散就散》《海草舞》之類的，用戶還是很買單的。
2.特效
抖音提供快放，慢放，反向播放和節選段落循環放等功能。具體的玩法各不相同，所以你可以嘗試一下。
3.標題、封面
這和公眾號原則一樣，對內容的播放量、完播率、分享量和點擊都有很大的影響。
另外在視頻播放過程中，標題實際上就成了一個備注，如果設置得當也可以起到很大的作用。
比如和內容配合起來玩梗，或者引導用戶留言評論等。
四.發布、維護
1.發布時間
這個邏輯很簡單——什麼時候用戶多，就什麼時候發布。
在正常情況下互聯網產品將在中午有一個高峰期，而下班後大約19：00~23：00是另一個高峰期。您可以選擇發送這些時間段，但有許多用戶在凌晨都有在用的。
2.善用評論
我們每天都有很多用戶評論，我們需要有專門的人來維護用戶的評論，即回應用戶的問題並與用戶互動。
如果這個環節做得好，活躍度和忠誠度將會大大提高。
其實每個人都可以將其視為一個運營位置。因為抖音現在現在是沒有開放多少運營位置給賬號的，我們只能夠在頭像、簽名介紹自己的產品。
這時我們可以去評論里引導用戶，通過作者的回復，引導轉換成你的粘性用戶，比如引導到微信等。
如果企業想要在抖音的用戶中曝光的話，也是可以考慮做抖音的，畢竟它是一個有著 2 億多用戶的巨大流量池。

❷ 常見的推薦演算法

根據用戶興趣和行為，向用戶推薦所需要的信息，幫助用戶在海量的信息中快速發現自己真正需要的東西。 所以推薦系統要解決的問題用戶沒用明確的需求以及信息存在過載 。推薦系統一般要基於以下來搭建：
1、根據業務來定義自身產品的熱門標准
2、用戶信息：比如性別、年齡、職業、收入等
3、用戶行為
4、社會化關系

1、非個性化推薦
在冷啟動方面我們精彩用非個性化推薦來解決問題。常見的有：熱門推薦，編輯推薦，最新推薦等。下面是3個場景下的排序介紹：
熱門推薦：根據業務類型確定排名核心指標，比如閱讀數，其次要考慮避免馬太效應，所以增加1個維度：時間。一般情況一個內容的熱度是隨著時間不斷下降的，所以需要設定重力因子G，它決定熱度隨著時間流逝下降的速度。熱度初始值由閱讀數決定，我們假設R為閱讀書，距離發帖時間的時間為T，重力因子為G，熱度為rank。 根據熱度隨著時間而不斷下降，且是非線性的，所以我們用指數函數來表達時間和熱度的關系：rank=R/(T)^G，下圖為熱度的基本曲線：

通過該函數，我們可以隨意調整參數來控制曲線的平坦和陡峭，如果G越大，曲線越陡峭說明熱度下降越快。如果我們要調整熱度初始值，可對R進行調整，比如R1=R^0.8，來縮短每篇文章的初始熱度值
編輯推薦：一般由編輯在後台進行設置
最新推薦：如果無其他規則，一般按內容更新時間／創建時間來倒序

2、基於用戶基本信息推薦（人口統計學）
根據系統用戶的基本信息如：領域、職位、工作年齡、性別和所在地等。根據這些信息給用戶推薦感興趣或者相關的內容。
常見的用戶基本信息有：性別，年齡，工作、收入、領域、職位、所在地，手機型號、網路條件、安裝渠道、操作系統等等。根據這些信息來關聯我們數據源，比如年齡-關聯電影表、收入-關聯商品類型表，性別-文章關聯表等等。然後設定權重，給予個性化的推薦。
步驟1：用戶建模，收集用戶基本信息，建立興趣圖譜，標簽體系樹狀結構然後配上權重
步驟2：內容建模，細分內容的元數據，將步驟1的用戶標簽和元數據連接，然後進行推薦

2、基於內容基本的推薦
根據推薦物品或者信息的元數據，發現物品或者信息的相關性， 然後基於用戶以往的喜好記錄 ，推薦給用戶相似的物品。
內容的一些基本屬性：tag、領域、主題、類型、關鍵字、來源等

3、基於協同過濾的推薦
這種演算法基於一種物以類聚人以群分的假設， 喜歡相同物品的用戶更有可能具有相同的興趣 。基於協同過濾推薦系統一般應用於有用戶評分的系統中，通過分數去刻畫用戶對於物品的喜好。根據維度可分為2種：
1、基於用戶：找到和你相似的人推薦他們看過而你沒有看過的內容
比如下面，系統判斷甲乙2個用戶是相似的，那麼會給甲推薦短視頻相關內容，會給乙推薦數據分析相關內容
甲：產品經理、運營、數據分析
乙：產品經理、運營、短視頻
丙：比特幣、創業、矽谷
步驟1:找到和目標用戶興趣相似的用戶集合
步驟2:找到集合中用戶喜歡的且目標用戶沒有被推薦過的內容

2、基於物品：以物為本建立各商品之間相似度關系矩陣，用戶看了x也會看y
比如下面，甲和乙分別不約而同看了產品經理和數據分析，說明喜歡產品經理和數據分析的用戶重合度高，說明兩個內容相似。所以給喜歡產品經理的人推薦數據分析，給喜歡數據分析的人推薦產品經理。
這么理解：喜歡產品經理的人有m人，喜歡數據分析有n人，其中m中有80%用戶與n中80%的用戶是一樣的，就意味著喜歡產品經理的用戶也會喜歡數據分析。
產品經理：甲、乙，丁
數據分析：甲、乙，戊
增長黑客：甲、丙
喜歡物品A的用戶，可能也會喜歡與物品A相似的物品B，通過歷史行為計算出2個物品的相似度（比如m人喜歡A，n人喜歡B，有k人喜歡A又喜歡B，那麼A和B的相似度可計算為k/m或者n，因為k屬於m和n），這個推薦和內容推薦演算法區別是內容推薦演算法是根據內容的屬性來關聯， 而基於物品的協同過濾則是根據用戶的行為對內容進行關聯

4、基於用戶社交關系推薦
用戶與誰交朋友或者關系好，在一定程度上朋友的需求和自身的需求是相似的。所以向用戶推薦好友喜歡的東西。本質上是好友關系鏈版的基於用戶的協調過濾

5、推薦思路的拓展
根據不同使用場景進行不同的推薦，可細分的場景包括用戶使用的：時間、地點、心情、網路環境、興趣、上下文信息以及使用場景。每個場景的推薦內容都不一樣，所以往往一個系統都是由多種推薦方式組成，比如加權混合。
加權混合：用線性公式將幾種不同的推薦按照一定權重組合起來，具體權重值需要反復測試調整。例子：加權混合=推薦1結果*a+推薦2結果*b+...+推薦n結果*n，其中abn為權重，和為1

下面分享一張來自知乎的圖，供學習，侵刪：

基於用戶信息的推薦 與 基於用戶的協同過濾：
兩者都是計算用戶的相似度， 但基於用戶信息的推薦只考慮用戶本身信息來計算相似度，而基於用戶的協同過濾是基於用戶歷史偏好來計算相似度

基於內容的信息推薦 與 基於物品的協同過濾：
兩者都是計算物品的相似度， 但是基於內容的信息推薦只考慮物品本身的屬性特徵來計算相似度，而基於物品的協同過濾是基於用戶歷史偏好來計算相似度

基於用戶信息的推薦特點：
1、不需要歷史數據，對用戶基本信息建模
2、不依賴於物品，所以其他領域可無縫接入
3、因為用戶基本信息一般變化不大，所以推薦效果一般

基於內容信息的推薦特點：
1、物品屬性有限，很難獲得有效又全的數據
2、需要獲取用戶喜歡的歷史內容，再來推薦與內容相似的東西，所以有冷啟動問題

基於用戶／基於物品的協同過濾推薦特點：
1、需要獲取用戶的歷史偏好，所以有冷啟動問題
2、推薦效果依賴於大數據，數據越多，推薦效果就越好