抖音短视频平台视频推荐模式研究(一)

抖音短视频平台视频推荐模式研究的心得体会

    我们在软件开发的领域中，很多东西都会因为时间的变迁而变化，编程语言也会不断地推陈出新，各种软件技术的更新换代更是日新月异，但是万变之中，

有一种东西是不变的，那就是算法。数据结构，算法，计算机体系原理，远比编程语言，软件开发技术重要，因为算法和数据结构被称为软件的核心内容。在现今软件开发的领域中，技术迭代速度飞快，掌握任意一个技术都有可能在第二年被技术的潮流所冲走，而算法，是一个应用程序中不可动摇的东西，无论语言怎么改变，算法的设计理念都是一样的。

一、基于用户信息的基本协同过滤

　　 基于用户信息的基本协同过滤是抖音整个算法体系中最基础和最简单的算法，也是在视频推广过程中普遍应用的算法。抖音通过获取用户注册时的基本信息，如性别、年龄、地址和基本兴趣点，对用户的画像有了大致的描绘。其后，在信息分发过程中，抖音通过考虑用户之间的相似程度进行相似内容的推荐。当用户开始接触平台，且所提供的信息越详细或越准确，其对用户需求的判断越接近用户的真实需要。我们可以构建如下推荐模式模型。

　　 假如A、B、C、D的基本信息较为相似，则前期在A、B、C共同感兴趣的内容或产生点赞、评论、转发等使用行为的内容会较为优先推荐给D。比如，抖音的主界面分为同城和推荐两个模块，推荐模块一个重要的原则就是视频内容和用户兴趣的匹配程度。匹配程度越高的信息越能够被推荐。通常，在平台用户的初期使用阶段，此种获取方式最为主要，这种相对简单的算法推荐原则对于用户具体兴趣的判断是相对模糊的，更多的是相似特征人群的兴趣集合判断。可以说，不断扩大的用户数量和使用行为为这类基础算法提供了数据源，通过海量数据的收集与分析，这类算法的精准程度会不断提升。与快手等其他视频应用不同，抖音用户较为集中在城市，用户的学历和年龄差距相对较小，媒介素养也较为相似，而这也是这类基础算法较为适用的重要原因。

二、基于“去中心化”的精准推送

　　 社交媒体最重要的原则就是“去中心化”，“把关人”的作用逐渐弱化，每个用户都是传播场域中的节点，每个节点都可以独立地生产内容，拥有一定的话语权，内容并非集中于少数的关键用户。在这种“去中心化”的精准推送中，内容和社交关系成为被抓取作为信息精准分发的主要依据。我们可以通过用户个人的视角构建如下信息获得模型。

　　 这一类的精准算法可以分为两大类：一类是以内容兴趣点为筛选维度的推荐，这个维度下，现实社交环境中的联系较弱，甚至没有联系；另一类是以社交强联系为筛选维度的推荐，在通讯录中的好友、同学都会成为推荐所抓取的对象。重合部分往往会获得较多的推荐。

　　内容维度可以理解为以相同的职业、爱好、话题组成的相近兴趣的集合。平台基于用户使用行为的习惯，诸如点赞、评论、转发等行为，通过数据驱动的方式挖掘用户的兴趣点，从而在下一轮的视频推荐中合理选择，进一步取悦用户，增加黏度。

　　社交关系维度可以理解为以现实的社交关系为连接的集合。这类关系基于社交关系的联系程度从而变得更强。每个人的社交圈都随着移动互联技术的进步而不断扩大，但是，用户本身和现实社交中好友或同学的关注点相似性不高。正是基于这种算法推荐，用户在抖音的使用过程中通常会看到通讯录好友发布的内容，因为平台通过算法也优先推荐强关系的好友发布的内容。这反映出短视频平台重要的社交属性，通过自己拍摄视频在强关系中的展示，能够满足使用者的需要，增强认同感和满足被别人了解的社交需求。

三、基于“流量池”的叠加推荐