抖音推荐机制有哪几个(抖音推荐机制深度剖析)

我们都知道抖音流量分配是去中心化的的智能推荐，用户上传视频后获取初级推荐流量，新视频流量分发主要以附近、关注、好友为主，然后抖音根据初级流量用户的转发、点赞、评论以及完播率等反馈数据进行评估，如果达到系统设定的值，作品将进入多级推荐流量池，这时候系统会根据热门推荐算法模型对优质视频内容进行人工审核，审核通过后将会进入热门推荐流量池。

抖音推送机制

在正式创作视频作品之前，需要了解抖音平台的规则。

如果没有出现任何的违规现象，平台就会给我们通过。这个时候是内容才会正式出现在用户眼前。

八级 3000W

然后分别给内容和用户贴上很多标签（也就是我们常说的打标签），将相关内容精准匹配到用户。

被分配的高低取决于内容的受欢迎程度。

首先是用户，用户分两种，视频发布者和浏览者；其次是内容，分直播和短视频两种形式；然后是行为，也就是观看、转发、点赞和评论；抖音综合这三点计算，就产生了数据。

在抖音上打造品牌IP需要有一定的策略和技巧。

人工审核：

抖音发出去之后可不是人工决定你的视频是否能上热门，而是之后一套复杂精准的推荐机制。

七级 700W

就是视频好不好，一个观众说了可不算。而是大部分观众怎么看。

抖音的流量底层逻辑分配机制是“信息找人，人找信息”。在这个过程中，系统会考虑两个因素：用户兴趣和内容质量。用户的兴趣和偏好将决定他们看到的内容类型，而内容质量将决定用户是否愿意停留在该内容页面。

抖音使用的是去中心化的智能分发算法。通俗讲，去中心化的意思是：整个平台上所有用户都是平等的，每个用户上传自己的第一个视频的时候，获得的初始展现机会是相同的，当然他其实不是完全的去中心化。这个不重要，后续我会解释为什么。接着说智能分发的意思是：平台会根据某个用户的偏好，去推送他喜欢的内容。每个用户偏好不同，所以刷到的内容也不同。比如有的用户喜欢看漂亮姑娘跳舞，一遇到这种视频就关注上传者，或者点赞或者评论或者转发，那么平台后期就会多推送这类视频给他，同时推送少量其他类型的内容给他，继续试探其口味，免得他一直看同类型的内容会厌烦。

1.能火起来的视频：视频上传--视频质量好并且平台判定为原创--系统给予小范围的初始曝光（也就是说只给一小部分用户看到）--用户反馈良好（也就是说用户完整播放了这个视频甚至播放了多次，并且可能关注了上传者，或者点赞评论转发过）--系统给予更大范围的曝光（给更多人看到）--又一次用户反馈很好--继续给更大范围的曝光...多次循环过后，平台上的的大部分用户都看过这个视频，喜欢过的已经喜欢过了，不喜欢的也不会有关注，点赞，评论，转发。这个时候平台会减少给这个视频的曝光，再观察一下数据有没有回升，如果没有继续减少曝光，一直到0曝光为止，这个视频的生命周期结束。

2.火不起来的视频：视频上传--视频内容质量差或者被判定为重复视频-系统给予小范围的曝光--用户反馈自然是很差--系统不再曝光，此时视频的生命周期过早的结束。所以为什么很多人说我的视频只有200-400的播放量，问题就出在这里。播放量低的视频，一定是涨粉点赞评论转发很少的，我们摸这套算法没用多久，也就一周的时间。一方面是之前在头条这类平台已经有经验了，另一方面我们有自己的技术团队，抖音开始火的时候我们就自己写代码去抓取相关数据了，做过大量的分析。

1.平台上第一批入驻的不是普通用户，而是抖音签约的一批网红，这些网红之前就在其他短视频或者直播平台或者微博上很火了，签约这批网红有两个目的，第一，网红会生产内容出来，并且之前在其他平台已经积累了很多经验，上手很快。第二，网红自带粉丝，很多粉丝看自己偶像去玩抖音了，就会自己下载抖音去玩。

2.平台上第二批入住的，是签约自媒体公司。跟网红类似，只不过媒体公司生产的内容更多样化，有宠物，有搞笑，有美女自拍，有心灵鸡汤。这些人一般是不会带流量过来的只会生产内容。

它是指，你的某一个作品在获得大量曝光（几百万，甚至千万级）时，会带来巨量用户进入你的个人主页，去翻看你之前的作品，如果你的某一个作品，能够获得足够多的关注（转评赞），系统将会把这些视频重新放入推荐池，很多垂直内容的创作者，往往都是因为某一个视频的“火爆”，直接把其他几个优质视频“点燃”，形成多点开花，全盘爆炸引流的盛况。

播放量持续上千则是待上热门账号，只需要蹭蹭热点就可以轻松热门了。

· 使用整蛊玩具或一些恶搞行为，对未成年人进行惊吓，未成年人在没有保护措施的情况好进行危险动作。

最后放一张图帮助大家理解

与之相反的是，即使前期你的视频反馈很好流量很大，但只要有一条视频违规你的账号就会被降权从而被限流或者封号。所以千万不要因为自己的粉丝有点多了而沾沾自喜，要居安思危啊！时时刻刻维护好自己的账号才是王道。

传统推荐系统生成推荐项的过程中有2个重要阶段：数据预处理阶段和推荐生成阶段.在数据预处理阶段，推荐系统需要从数据中获取用户偏好；推荐生成阶段，推荐系统根据用户偏好信息，利用推荐算法，从数据集中生成用户推荐项目.偏好获取技术是指通过跟踪、学习用户的兴趣、偏好以及性格特征等信息，实时、准确地发现不同用户对各种网络服务的需求，并对其变化做出适应和调整.传统的用户偏好获取技术通过显式或隐式的方式获取用户的偏好，主要分为启发式和建模两类.前者利用一些具有直观意义的启发式方法来获取用户需求，如最近邻算法、聚类(K-Means算法)、相似度计算等；后者通过引入机器学习技术学习一个模型，如决策树归纳、贝叶斯分类、聚类等.针对用户偏好随时间迁移的问题，研究者使用一些自适应方法，如信息增补技术、遗传算法和神经网络技术，来解决此问题.从信息过滤的角度来看，传统的推荐系统主要分协同过滤推荐系统(CF, collaborative filtering recommendation)、基于内容推荐系统、混合推荐系统.随着移动端设备的发展，又出现了上下文感知推荐系统.

大数据环境下推荐系统框架被划分为4层，分别为源数据采集层、数据预处理层、推荐生成层以及效用评价层.其中，在数据预处理层把采集到的相关数据进行预处理计算，其数据处理结果作为推荐系统数学形式的输入，主要工作为用户偏好获取、社会化网络构建、上下文用户偏好获取等；推荐生成层是推荐系统的核心，在大数据环境下，该层主要任务就是引入和充分处理大数据，并且生成实时性强、精准度高以及用户满意的推荐结果，目前主要的推荐技术有大数据环境下基于矩阵分解的推荐系统、基于隐式反馈的推荐系统、基于社会化推荐系统以及组推荐系统；在效用评价层，在将推荐结果呈现给用户时，需要结合用户的反馈数据，利用准确性、实时性、新颖性、多样性等评价指标评价推荐系统的性能，并根据需求对其进行扩展、改进等.

一、发布作品的双重审核机制

其一，审核作品、文案中是否存在违规行为，如果疑似存在，就会被机器拦截，通过飘黄、标红等提示人工注意；

其二，通过抽取视频中的画面、关键帧，与抖音大数据库中已存在的海量作品进行匹配消重，内容重复的作品进行低流量推荐，或者降权推荐。

二、抖音会根据算法给每一个作品的人分配一个流量池。

流量池概念：流量的蓄积容器，就像微博的流量都向名人大V集中。当一个新的视频传送到抖音上，抖音通过比对知道你这是新的视频，然后给你第一次推荐流量，新视频流量分发以附近和关注为主，再配合用户标签和内容标签智能分发，之后，抖音根据你在这个流量池里的表现，决定是把你的作品推送给更多人，还是就此打住。

三、抖音推荐上热门的基础推荐机制：

1.基础推荐

2、叠加推荐