抖音推荐算法是什么？它是一套评判机制，对平台的所有用户都有效，无论是拍视频的人还是看视频的人。在抖音平台上的每一个动作都像是一个清晰的指令，平台根据这些指令来判断用户的性质，将用户分为优质、沉默、流失、可挽回等不同类型，并判断是否为营销号或有违规操作。

为了提升用户体验和留住用户，平台会根据用户的行为来分析他们的兴趣，并给他们打上一个标签，再将同类标签的内容推荐给他们，将他们聚集在一个池子里。

在上传视频后，首先会经过机器审核，包括审核视频画面、标题关键词、视频文案等，如果出现违规内容，视频就会被打回或者被限流。如果通过了审核，系统会结合关键词匹配200~300左右的用户，也就是初始流量池。接下来，系统会根据视频内容给视频加上标签，并推荐给可能会对这些标签感兴趣的人群。根据观众的评论、点赞和分享数等反馈，平台会决定是否将视频推荐给更多的潜在观众，扩大推荐范围。如果视频反馈较好，平台会继续推荐，一直以此类推。

根据实操经验，一般一个视频在发布1个小时内，播放量达到5000以上，点赞数高于100，评论数高于10，基本上就能上热门了。而要进入百万池，视频需要保持在10%的播赞率左右。

然而，并不是所有好的内容都能被系统喜欢，最终决定权在平台方。涉及政治、隐私、暴露以及互粉等敏感因素可能会导致视频被叫停甚至封号。

总之，抖音推荐算法是通过评判机制和用户行为分析，将用户分为不同类型，并根据用户的兴趣推荐相关内容。用户可以通过了解算法的运作规则，合理运营自己的账号，提升视频的推荐机会。

推荐系统的底层逻辑算法是抖音的核心技术之一。根据抖音内部工作人员透露，推荐算法的真正逻辑一直被封存在黑盒中，只有极少数人能够真正摸透其规则。 目前，对于抖音算法的了解都是基于推测和经验。然而，这些推测已经接近了真相。 在2021年4月8日举行的抖音电商首届生态大会上，抖音电商总裁康泽宇首次阐释了“兴趣电商”概念。兴趣电商是一种基于人们对美好生活的向往，满足用户潜在购物兴趣，提升消费者生活品质的电商模式。康泽宇表示，抖音拥有良好的内容生态、优质创作者和成熟的兴趣推荐技术，具备实现兴趣电商的巨大机会。 兴趣电商的核心在于主动帮助用户发现他们潜在的需求。通过抖音成熟的兴趣推荐系统，不断挖掘用户的兴趣行为等信息，激发用户的购物需求，从而实现电商闭环。 抖音的推荐系统通过不断推送内容到目标人群，实现交互和测试，最终实现流量价值变现。推荐系统是一种信息过滤系统，用于预测用户对物品的评分或偏好。它能够将用户可能感兴趣或有用的信息推荐给用户，实现用户的停留、互动和转化。 总的来说，抖音的推荐算法是其成功的关键之一，通过不断优化和挖掘用户的兴趣行为，抖音能够实现精准的内容推荐，提升用户体验，并实现电商的发展和变现。

推荐系统的运行原理：

为了简便起见，我们先将推荐系统当做一个黑盒，这个黑盒的输入的数据集包含：内容的信息，内容之间的相关性信息，用户的信息以及用户对内容的偏好信息等，推荐系统根据输入的信息进行相应的匹配运算，然后将内容推荐给感兴趣或者潜在的目标用户。推荐算法包含几种：基于内容推荐、基于用户推荐、协同过滤推荐、初始流量池推荐、热点推荐以及叠加推荐等。

一、协同过滤推荐算法：

协同过滤算法是抖音的最基础的底层推荐算法，首先我们先来了解一下协同过滤推荐算法的定义以及运行逻辑：

协同过滤算法，根据维基百科上的定义：“协同过滤是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的,进而帮助别人筛选信息，其中回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。”维基百科上的定义过于生硬，我现在举个例子方便大家去理解：现在我们假设一个场景，假如你平时很喜欢刷剧，偶尔会遇到剧荒的时候，虽然每天都有很多新出的美剧和韩剧，但是你不确定哪一部适合你的口味，而你又不想花大量的时间在刷剧上，这时你会选择询问和你口味相同的朋友，哪一部剧值得推荐，从而花最少的时间成本选出了适合自己口味的电视剧，这就是协同过滤的核心思想。

协同过滤算法不同于传统的基于内容的推荐算法，传统的基于内容的推荐算法，是根据内容的属性、标题关键词等信息得出内容之间的关联性，然后通过用户对这些属性和关键词的喜好程度的记录将相关性大的内容推荐给用户，而协同过滤算法是直接分析用户对内容的喜好记录，然后在用户群体中寻找和这个用户有着相似兴趣喜好的其他用户，然后综合分析这些用户对某一特定内容的评价和行为，最后得出推荐系统为指定用户对某一特定内容喜好程度的预测。

二、协同过滤系统的实现

协同过滤系统主要有三个步骤，首先获取用户群体对某一特定内容的喜好记录，然后找到与特定用户相似的其他用户，最后得出推荐预测。下面详细说明一下具体的每一步是如何实现的，这样我们也就会知道了抖音平台给你推送流量的底层逻辑。

第一步：获取用户群体的喜好记录

获取用户群体的喜好记录是协同过滤算法的第一步，也是最基础的一步，推荐系统输入之一就是用户的喜好记录，所以不管你的推荐系统算法做得有多好，如果没有第一步，那么最后面的推荐结果就是扯淡。

那么系统如何获取用户的喜好信息的呢？其实所有用的行为都会被系统所记录，所以系统是通过搜集用户的行为数据来获取用户的喜好信息的，那么用户的行为数据是怎么分类的呢？

1、根据反馈的明确性分类

①显性反馈的行为：用户对内容有明确的行为动作，比如：点赞、关注、评论、转发、购买等

②隐性反馈的行为：用户对内容没有进行明确的行为动作，但是也同样被平台所记录，比如：浏览时长，停留时长，浏览记录等

2、根据反馈的正向性分类

①正反馈行为：用户的行为表示倾向于用户喜欢此内容，比如：点赞、关注、正向评论，长时间停留等

②负反馈行为：用户的行为表示用户不喜欢此内容，比如：拉黑、点击不感兴趣、负向评论，短时间停留等

系统搜集到用户的喜好信息之后，这样就会形成一个反应不同用户对不同内容喜好程度的二维矩阵，矩阵里面的值代表用户对不同内容的喜好程度，如图所示：

第二步：找到与特定用户相似的其他用户

系统搜集到用户的喜好信息后，会根据这些信息计算每两个不同用户之间的喜好的相似程度，然后对指定用户推荐。系统会把上面相似二维矩阵的每一行抽取出来，作为每个对应用户的行向量，而该行向量其实就是对应着每个用户对不同内容的喜好程度，接着计算每两个行向量之间的相似度。其实就是在计算对应用户间的相似评价值。当然，也可以把列向量抽取出来，对应着不同用户对该内容的喜好程度，然后计算内容之间的相似度。常见的计算方法有欧几里得距离，余弦相似度以及皮尔森相关系数，具体的计算方法，我们就不展开讲了，这是算法工程师的事情。

那么计算出了每个用户或者每个内容的相似度之后，就可以进行推荐了，但是推荐的重要过程就是找出用户-内容的邻居，那么就要给用户-内容找邻居，找到相似度最近的两个用户-内容，那么用的到方法是K临近值以及基于阀值的邻居原则。

第三步：基于邻居原则进行推荐

当得到指定用户或者内容的邻居后，我们就可以利用这些数据信息为用户进行推荐了，那么推荐的方式有三种：基于用户的协同过滤推荐，基于内容的协同过滤推荐以及基于模型的协同过滤推荐。下面我们一一拆解一下：

A.基于用户的协同过滤推荐

基于用户的协同过滤推荐是根据用户对不同内容的喜好程度找到他的邻居用户，然后将这些邻居喜欢的内容排序推荐给指定的用户，下面举一个例子来具体说明一下：将用户A作为指定用户，根据他在平台的用户行为，系统可以得出他对不同内容的喜好程度，利用这些信息找到和他有相同喜好程度的用户C，所以用户C就是用户A的邻居，所以将用户C喜欢的内容4推荐给用户A，而用户B和用户A喜好程度没有用户C和用户A的喜好程度强烈，所以把用户C 喜欢的内容作为首要推荐给用户A

B.基于内容的协同过滤推荐

基于内容的协同过滤推荐与基于用户的协同过滤推荐区别在于，它是通过计算内容项之间的相似性，而非计算用户间的相似度来得到指定用户的推荐列表，首先利用所有用户对内容的喜好程度，来计算内容间的相似度，然后利用指定用户的历史喜好信息，得出一个相似内容的排序列表进行推荐。举个例子说明一下：现有4个用户分别是用户A、用户B、用户C、用户D，内容也有四个，分别是内容1、内容2、内容3、内容4，根据这4个用户的喜好记录，喜欢内容2的用户大部分也喜欢内容4，说明内容2和内容4是邻居，而指定用户A也喜欢内容2，那么基于内容协同过滤算法预测用户A大概率喜欢内容4，所以把内容4推荐给用户A。

C.基于模型的协同过滤推荐

基于模型的协同过滤推荐是目前比较流行的过滤推荐算法，基于模型的协同过滤推荐算法利用了机器学习的方法，利用用户和喜好内容间的历史数据进行学习和建模，预测出用户和未知内容间的喜好关系，最后找出喜好程度最高 内容推荐给指定用户，它的复杂程度一般较高，因为对模型进行训练和评估需要花费大量的时间和精力。

协同过滤算法是抖音平台最基础的推荐机制，同时在实践中也被其他平台广泛的应用，但是也存在很多缺点和不足：

1、冷启动问题

①在系统建立初期，未搜集到足够的信息，协同过滤算法不能为指定用户找到合适的邻居，无法做出精准的推荐

②当新用户或者新内容刚进入平台时，平台没有任何关于这个用户和内容的历史信息，那么系统也无法进行有效推荐

2、数据不全问题

实际情况下，用户很少会对每个内容项都会做出行为评分，所以有些数据是缺失，从而降低了系统的计算效率，同时有些用户的错误数据也会降低系统的推荐准确性。

3、性能不足问题

随着系统内的用户数量和内容数量不断增加，计算用户或者内容间的相似度时，计算复杂度会大大增加，导致计算机系统的性能不断降低

4、流行性偏向问题

推荐系统会更偏向于向用户推荐比较流行和热门的内容，因为评分数量多覆盖面广。而对于一些冷门内容，推荐系统无法做出良好的推荐

三、抖音推荐系统的其他推荐机制

为了克服协同过滤系统的缺点，平台内同时又增加了很多其他的推荐方式，比如：

1、流量池推荐算法

为了克服冷启动问题，系统会对一个新用户或者新内容使用流量池推荐算法。当一个新用户或者新内容刚刚进入平台，由于系统对于其历史数据统计不全，那么系统会使用流量池推荐算法，即当注册一个新用户或者新增一个新内容时，系统会把这个新的用户或者新的内容放到一个100-500的流量池内，进行测试和学习，收集用户-内容的行为，从而对这个用户-内容进行建模打标。

2、叠加推荐算法

一个新内容在初始流量池内，系统会根据初始流量池内的用户行为及数据反馈，决定是否将这个内容放到下一个流量池内，如果新内容在初始流量池内，用户反馈数据良好，那么系统会推荐更多类似用户给到这个内容，如果初始流量池反馈不好，那么系统就会停止推荐

3、热点算法

①为了克服流行偏向问题，系统不仅会把热门流行性内容推荐给你，不管你喜欢还是不喜欢。比如：李易峰嫖娼，俄罗斯攻打乌克兰等，系统还会不定时的推荐冷门内容给你，来测试冷门内容的数据反馈。

②节日热点内容

比如春节刷到拜年，五一刷到旅游。这类热点内容抖音也会强行推荐给你，因为系统判断你大概率会喜欢。

4、“挖坟”算法

“挖坟”算法指的是抖音平台机器会定期的把以前发过的内容再重新扫一遍，挖掘出高质量内容，再重新推荐一遍，或者你的账号已经发布了很多垂直类的内容，标签已经变的很精准，系统可以为你匹配更多精准用户。所以，优质内容+精准用户，老作品重新火爆起来就不意外了。

四、抖音平台独有特性

现在我们了解了抖音的多种推荐机制，同时由于多种推荐机制的共同运行，抖音形成了平台独特的运行环境，同时也形成了平台的独有特性：

1、成瘾化

兴趣推荐算法会让人沉浸在虚幻的美好里面，活在信息茧房里，所以有很多人感觉刷抖音的时候，时间是过的最快的，而且每次抖音推送的内容都是自己喜欢的内容，但是一个人长时间看同一种类型的内容时，也会生腻，于是热点算法和协同过滤算法不断的推出新的内容，不断地给用户新的刺激，增加用户新的兴趣点，让人进一步上瘾。

2、去中心化

在抖音平台上，用户和内容是连在一起的，所有的推流，审核基本全部都有平台自己完成，基本没有人工干预，人工只有在三种情况下才会介入审核：①机器审核为疑似违规内容，人工会介入进行二次审核，②内容被大量的人为举报，③内容数据越来越爆，有一种大火的趋势，除了以上这三种情况外，剩下的一切，全部交给算法和用户行为，不管你是什么学历，不管你是不是网红明星，到抖音平台上，全部一视同仁，只要你的内容和产品能够打动用户，让用户产生平台需要的行为数据，那么平台就会源源不断的给你推送流量。这也为很多平凡人在抖音上逆袭提供了无限的可能。

3、数据指标化

抖音流量的推荐系统毕竟是机器，机器是没有任何情感和感性判断力的，机器是否给你的内容或者直播间推流，唯一的评判标准就是直播间或者内容所产生的数据指标，而数据指标是由用户的行为决定的，只要我们让用户做足了行为数据，在赛马过程中，我们能够赛过同行的数据指标，那么我们就能触发平台的持续推流。这也是憋单、马扁、高反、鱼塘等直播间玩法所利用的漏洞，通过满足平台数据指标快速打爆直播间。

以上就是抖音推荐机制分析和算法的详细内容，更多信息请关注OD云其它相关文章！

本文URL：http://www.odweb.cn/news_show.html?id=4