正推的算法

❶ 抖音短视频如何用算法快速上热门

没有播放量?没有曝光?没有点赞?个人号被判是营销号，企业号是僵尸号，那么我们应该怎么做呢？

一、抖音引流6大核心
1：视频需要7秒以上。
2：尽量作品以竖屏为先，横屏尽量少发。
3：上传视频时，建议选择一个类别并添加匹配的标签。
4：不能硬植入广告。
5：视频不得出现水印和图像质量模糊等问题。
6：一定不能有不良的操作，比如说出现武器、出现一些不该出现的镜头和画面。
二、抖音基本的运营思路
1.定位
定位的重要性是众所周知的。
说白了定位是找到你擅长的分类，并继续加深内容以吸引目标用户的关注。
大多数人不定位是因为他们没有自己的特色。即使今天的运气好，蹭热点上了热门，明天就不知道发什么了，很难吸引用户。因此只有给账号定位，才是可持续发展的道路。
2.拍摄思路与形式
设备跟上，制作精良
原创性和质量必须要高。抖音与快手、火山相比，它要求视频的整体风格应该是酷炫和年轻化。它还需要一定程度的图像质量和拍摄技巧。总而言之质量要求相对较高。
保证每一帧的质量，提高完成率
你必须快速进入主题并充分利用每一帧画面。否则观众会随时离开。完播率上不去，算法会认为您的视频质量较差，不被推荐出去。
3.真人出镜
我们与抖音官方是有对接，我可以负责任地告诉你抖音更愿意支露脸的账号，这与抖音的社会属性是分不开的。
所以起初我们的视频没有真人出境，但现在他们大大增加了真人出境的频率。
4.颜值过关
对于手快的用户来说他们对颜值是非常宽容的，你可以看到很多普通人表现出他们不那么漂亮的一面。但如果你想在抖音里火起来的话，至少你不能丑或邋遢。
因此我们会找颜值比较高的来做视频的主角进行拍摄。
5.跟上热门挑战
最近抖音新上线了一个比较热门的挑战。现在参与的人不多。如果你判断这个话题存在火的潜力，这个时候快速跟进去做一些模仿的内容，就很可能上推荐。
抖音的内容有三个入口，第一个是推荐，第二个是关注，第三个是挑战。
这与微博热搜的原理相同。你可能无法自己创造热点，但你可以赶上热点的旅程。
三.编辑
通过编辑您可以使内容以更好的形式展现。这个属于专业人士的业务，简单谈3点要注意的：
1.背景音乐
选音乐主要有2个标准，第一是和视频内容完美配合，这是最好的；如果这点做不到，那就选择用户认知度比较高的音乐，例如像《说散就散》《海草舞》之类的，用户还是很买单的。
2.特效
抖音提供快放，慢放，反向播放和节选段落循环放等功能。具体的玩法各不相同，所以你可以尝试一下。
3.标题、封面
这和公众号原则一样，对内容的播放量、完播率、分享量和点击都有很大的影响。
另外在视频播放过程中，标题实际上就成了一个备注，如果设置得当也可以起到很大的作用。
比如和内容配合起来玩梗，或者引导用户留言评论等。
四.发布、维护
1.发布时间
这个逻辑很简单——什么时候用户多，就什么时候发布。
在正常情况下互联网产品将在中午有一个高峰期，而下班后大约19：00~23：00是另一个高峰期。您可以选择发送这些时间段，但有许多用户在凌晨都有在用的。
2.善用评论
我们每天都有很多用户评论，我们需要有专门的人来维护用户的评论，即回应用户的问题并与用户互动。
如果这个环节做得好，活跃度和忠诚度将会大大提高。
其实每个人都可以将其视为一个运营位置。因为抖音现在现在是没有开放多少运营位置给账号的，我们只能够在头像、签名介绍自己的产品。
这时我们可以去评论里引导用户，通过作者的回复，引导转换成你的粘性用户，比如引导到微信等。
如果企业想要在抖音的用户中曝光的话，也是可以考虑做抖音的，毕竟它是一个有着 2 亿多用户的巨大流量池。

❷ 常见的推荐算法

根据用户兴趣和行为，向用户推荐所需要的信息，帮助用户在海量的信息中快速发现自己真正需要的东西。 所以推荐系统要解决的问题用户没用明确的需求以及信息存在过载 。推荐系统一般要基于以下来搭建：
1、根据业务来定义自身产品的热门标准
2、用户信息：比如性别、年龄、职业、收入等
3、用户行为
4、社会化关系

1、非个性化推荐
在冷启动方面我们精彩用非个性化推荐来解决问题。常见的有：热门推荐，编辑推荐，最新推荐等。下面是3个场景下的排序介绍：
热门推荐：根据业务类型确定排名核心指标，比如阅读数，其次要考虑避免马太效应，所以增加1个维度：时间。一般情况一个内容的热度是随着时间不断下降的，所以需要设定重力因子G，它决定热度随着时间流逝下降的速度。热度初始值由阅读数决定，我们假设R为阅读书，距离发帖时间的时间为T，重力因子为G，热度为rank。 根据热度随着时间而不断下降，且是非线性的，所以我们用指数函数来表达时间和热度的关系：rank=R/(T)^G，下图为热度的基本曲线：

通过该函数，我们可以随意调整参数来控制曲线的平坦和陡峭，如果G越大，曲线越陡峭说明热度下降越快。如果我们要调整热度初始值，可对R进行调整，比如R1=R^0.8，来缩短每篇文章的初始热度值
编辑推荐：一般由编辑在后台进行设置
最新推荐：如果无其他规则，一般按内容更新时间／创建时间来倒序

2、基于用户基本信息推荐（人口统计学）
根据系统用户的基本信息如：领域、职位、工作年龄、性别和所在地等。根据这些信息给用户推荐感兴趣或者相关的内容。
常见的用户基本信息有：性别，年龄，工作、收入、领域、职位、所在地，手机型号、网络条件、安装渠道、操作系统等等。根据这些信息来关联我们数据源，比如年龄-关联电影表、收入-关联商品类型表，性别-文章关联表等等。然后设定权重，给予个性化的推荐。
步骤1：用户建模，收集用户基本信息，建立兴趣图谱，标签体系树状结构然后配上权重
步骤2：内容建模，细分内容的元数据，将步骤1的用户标签和元数据连接，然后进行推荐

2、基于内容基本的推荐
根据推荐物品或者信息的元数据，发现物品或者信息的相关性， 然后基于用户以往的喜好记录 ，推荐给用户相似的物品。
内容的一些基本属性：tag、领域、主题、类型、关键字、来源等

3、基于协同过滤的推荐
这种算法基于一种物以类聚人以群分的假设， 喜欢相同物品的用户更有可能具有相同的兴趣 。基于协同过滤推荐系统一般应用于有用户评分的系统中，通过分数去刻画用户对于物品的喜好。根据维度可分为2种：
1、基于用户：找到和你相似的人推荐他们看过而你没有看过的内容
比如下面，系统判断甲乙2个用户是相似的，那么会给甲推荐短视频相关内容，会给乙推荐数据分析相关内容
甲：产品经理、运营、数据分析
乙：产品经理、运营、短视频
丙：比特币、创业、硅谷
步骤1:找到和目标用户兴趣相似的用户集合
步骤2:找到集合中用户喜欢的且目标用户没有被推荐过的内容

2、基于物品：以物为本建立各商品之间相似度关系矩阵，用户看了x也会看y
比如下面，甲和乙分别不约而同看了产品经理和数据分析，说明喜欢产品经理和数据分析的用户重合度高，说明两个内容相似。所以给喜欢产品经理的人推荐数据分析，给喜欢数据分析的人推荐产品经理。
这么理解：喜欢产品经理的人有m人，喜欢数据分析有n人，其中m中有80%用户与n中80%的用户是一样的，就意味着喜欢产品经理的用户也会喜欢数据分析。
产品经理：甲、乙，丁
数据分析：甲、乙，戊
增长黑客：甲、丙
喜欢物品A的用户，可能也会喜欢与物品A相似的物品B，通过历史行为计算出2个物品的相似度（比如m人喜欢A，n人喜欢B，有k人喜欢A又喜欢B，那么A和B的相似度可计算为k/m或者n，因为k属于m和n），这个推荐和内容推荐算法区别是内容推荐算法是根据内容的属性来关联， 而基于物品的协同过滤则是根据用户的行为对内容进行关联

4、基于用户社交关系推荐
用户与谁交朋友或者关系好，在一定程度上朋友的需求和自身的需求是相似的。所以向用户推荐好友喜欢的东西。本质上是好友关系链版的基于用户的协调过滤

5、推荐思路的拓展
根据不同使用场景进行不同的推荐，可细分的场景包括用户使用的：时间、地点、心情、网络环境、兴趣、上下文信息以及使用场景。每个场景的推荐内容都不一样，所以往往一个系统都是由多种推荐方式组成，比如加权混合。
加权混合：用线性公式将几种不同的推荐按照一定权重组合起来，具体权重值需要反复测试调整。例子：加权混合=推荐1结果*a+推荐2结果*b+...+推荐n结果*n，其中abn为权重，和为1

下面分享一张来自知乎的图，供学习，侵删：

基于用户信息的推荐 与 基于用户的协同过滤：
两者都是计算用户的相似度， 但基于用户信息的推荐只考虑用户本身信息来计算相似度，而基于用户的协同过滤是基于用户历史偏好来计算相似度

基于内容的信息推荐 与 基于物品的协同过滤：
两者都是计算物品的相似度， 但是基于内容的信息推荐只考虑物品本身的属性特征来计算相似度，而基于物品的协同过滤是基于用户历史偏好来计算相似度

基于用户信息的推荐特点：
1、不需要历史数据，对用户基本信息建模
2、不依赖于物品，所以其他领域可无缝接入
3、因为用户基本信息一般变化不大，所以推荐效果一般

基于内容信息的推荐特点：
1、物品属性有限，很难获得有效又全的数据
2、需要获取用户喜欢的历史内容，再来推荐与内容相似的东西，所以有冷启动问题

基于用户／基于物品的协同过滤推荐特点：
1、需要获取用户的历史偏好，所以有冷启动问题
2、推荐效果依赖于大数据，数据越多，推荐效果就越好