有人认为，抖音算法热门推荐是一个伟大创造，是信息时代必不可少的工具。与此同时，有人急切的想要拒绝抖音算法热门推荐，认为这种追踪是对个人隐私的侵犯，也有人认为抖音算法热门推荐会使我们获取的信息越来越狭窄、越来越片面从而走进信息茧房。今天这篇文章中，作者就来为我们说说抖音算法热门推荐的那些事儿。
互联网各大APP软件平台数据维护神器！ 媒体账户/电商店铺/社交平台/娱乐直播/等软件平台APP点赞评论转发阅读量粉丝投票直播人气等等一条龙业务数据维护业务自助下单系统、本平台拥有苹果（IOS版）及安卓（Android）APP客服端欢迎企业自媒体作者网红流量明星艺人商家粉丝后援会团体及个人免费注册自助下单！！！
全网业务 直播人气 粉丝 弹幕 评论 互动 点赞 阅读 投票 友情免责推荐自助下单网址导航：
1号网站：www.1573vip.cn
6号网址：www.618hw.com
A号网站：https://afagou.com/#/register?user_id=TX9988 新用户注册邀请码：TX9988
C号网站：115.115sq.cn
复制网址粘贴到各大浏览器 免费注册24小时自助在线下单！可收藏网址下载APP业务项目不断上新中......
以上网站开发者不同、业务价格不同，货源和售后体系不同，自行对比产品不要搞错乱咨询。
一、抖音算法热门推荐的重要性
抖音算法热门推荐是非常重要的数据产品，是比较早期的实现了智能化、自动化的的数据产品。在现在的科技发展中，客服智能化了么？没有~优惠券？定价？都还没有智能化，只有分发实现了智能化。
字节跳动做抖音算法热门推荐很厉害，对公司的业务产生了巨大的变革，所以今天我们把抖音算法热门推荐这个事情来讲讲清楚，让大家明白明白。
二、抖音算法热门推荐的背景
用户越来越多，商品越来越多，那么用户想要找到想要找到的商品也越来越困难，让某个或某些产品在众多产品中脱颖而出也是特别特别的困难，简单的来讲就是供需匹配，两者无法匹配的上，所以怎么办呢？如何解决这个问题呢？
三、各类方案解决的优劣
所以当前有这么几种解决方案，分别是搜索引擎、分类目录和抖音算法热门推荐，接下来我们就简单介绍一下这三种解决方案的优劣势。
1. 搜索引擎
需要用户主动去搜索，这个是百度干的事儿，但是这个时候是需要用户的目的性很强才行，要知道自己想要什么，但是很多时候我们并不知道我们想要什么东西，我也不想去绞尽脑汁去想我要什么，只想放松，那搜索可以做到么？做不到，可能搜索出来的东西并不是可以满足我们的东西~
2. 分类目录
在这个里面，我们要知道我们想要的东西属于哪一种属性，知道了之后才能去找，如果分类属性选择错了，那就在当下这个错的目录里面永远也找不到我想要的东西。而且一旦我不清楚我自己想要什么的时候，面对纷繁复杂的分类目录，更是无从下手~
3. 抖音算法热门推荐
而抖音算法热门推荐呢？我不需要用户提供明确的需求，我只需要根据用户的历史行为去建模，然后根据他们的历史行为判断接下来的行为和喜好，去给用户做相对应的内容、产品推荐。所以当用户没有明确的目的的时候，也可以帮助用户发现新内容。
四、抖音算法热门推荐的机制
1. 人
建立用户画像，给用户打上事实标签和模型标签，什么是事实标签？就拿虚拟人物“小明”举个例子吧！小明经常在某购物平台上购物，并已完善自己的个人信息，那么平台就会把该信息收集，作为事实标签。
姓名：小明
性别：男
身高：180cm
体重：70kg
爱好：看电影
职位：产品经理
目前所在地：上海
消费等级：极高（根据日常消费习惯判断）
常看类型产品：高科技产品、数码产品、大牌运动鞋
那什么是模型标签呢？就是系统可能会把一类人划分为一个模型，他们的事实标签可能会比较相似，这就是一个模型标签。
我接着拿玉康举例子：比如说系统给他们这一类人建的模型标签名称是“大款”，那可能别的某个大款看上了一个布加迪，加购并付款了，虽然孙玉康没有看这个产品，但是可能布加迪及相关产品也会出现在孙玉康的推荐列表中。
2. 货（内容）
给内容或产品打上标签，比如一个运动上衣，可能会有夹克、运动、长袖、外套等等各种各样符合这个产品的标签，并记录这个产品的售卖数量，收藏、加购的数量等。
然后通过人货模型，就可以知道，比如说：年轻的女孩子，喜欢口红，包包、购物、逛街；年轻的男孩子，喜欢女孩子，喜欢手机、手表、汽车，然后怎么匹配呢？
3. 场
就是在对应的场里做匹配，比如说首页、Feed流、导航栏、个人中心等等，在你想要的场景匹配上你所需要的数据。
然后我可能有了这个标签的推荐方法，我把一个东西推给一部分人，然后这部分人很喜欢这个东西，那我就可以把这个东西推给更多类似的用户了，然后不停不停的去扩展流量，我就知道每个用户喜欢什么东西了。
五、抖音算法热门推荐系统的框架
1. 数据采集
怎么去采集啊？要去做埋点，要去记录用户的数据。
比如说一个用户打开了我们的某小程序，他注册的信息是什么？他是几点打开的，几点关闭的小程序，查看了哪些页面，浏览了哪些产品，每个页面的停留时间是多久，用的4G还是5G还是WIFI啊，在哪儿？
这时候用户数据和行为数据都知道了，那什么是内容数据呢？比如说抖音，亿万的人在抖音产生了千亿条抖音短视频，这些都是内容数据。
2. 数据整理
采集到数据之后，就要把数据做标注，数据标注的类型有：图片标注、语音标注、文本标注、视频标注、道路标注、行人标注、人脸106点、图像语义分割等。
然后有些数据是重复的，需要做合并，有些事无意义的数据，影响后面的数据整理，那就做数据清洗，把它干掉等等
3. 画像体系
有了这些数据，我们就可以生成画像了，就知道是什么了。
画像有人物画像，也有商品画像；我们继续来说小明，比如说：小明，26岁，性别男，爱好看电影，喜欢吃小龙虾，商品画像其实就是描述这个商品的内容的东西。
4. 算法引擎
协同过滤：比如说小明喜欢《数据挖掘导论》，小红喜欢《三个火枪手》，基于 UserCF(用户协同过滤)，找到与他们偏好相似的用户，将相似用户偏好的书籍推荐给他们；还可以基于ItemCF(物品协同过滤)，找到与他们当前偏好书籍相似的其他书籍，推荐给他们。
隐语义模型：根据用户的当前偏好信息，得到用户的兴趣偏好，将该类兴趣对应的物品推荐给当前用户。比如，小明喜欢的《数据挖掘导论》属于计算机类的书籍，那我们可以将其他的计算机类书籍推荐给他；小红喜欢的是文学类数据，可将《巴黎圣母院》等这类文字作品推荐给她，这就是隐语义模型。
此外还有聚类模型等。
5. 推荐接口
由于有这些底层的数据及算法，那就可以根据这些数据通过接口，在某些场景去给他们做分发，我们继续来说小明，不仅喜欢吃老乡鸡，还喜欢打网球，弹琴，琴棋书画样样精通啊。孙总打开手机的时候，我就可以在他的用户端的各个模块下给他推荐他喜欢的东西了。
6. 底层规则控制及配置
比如说我知道孙总喜欢吃老乡鸡，可是我已经给他推送了3天了，第四天我再给他推送，估计他就吐了，那我给他推送一波小厨娘，名称就很符合孙总的审美，他是不是就很大概率会买呀，这个就是一些规则的控制与配置，最后通过重新得到的数据去统计分析。
7. 数据采集及画像构建
有些数据用户会手动填写，有些我们需要根据用户的行为去分析、推测，还有一些 需要我们去埋点获取。
8. 根据数据，构建用户画像
根据各个标签，我们可以知道这个人的用户画像。然后根据这个人是谁，我们就可以去查找他对应的信息有哪些，我们就可以根据用户画像中的信息去推送他喜欢的东西。
9. 算法的工作机制
我们把用户画像和商品画像丢到了算法池子里，过来一个一个用户请求后，我们会先调用用户画像，让我看看你是谁？
然后我会再看看我有哪些东西，知道了这些后，系统会按照你的需求去做召回，把东西从库存中拿出来，比如说我从热点里召回了500个，从兴趣中召回500个，从TOP队列中再召回500个，从很多队列中召回。
比如说我们召回了1500个东西后，我不可能全给你展示，还是太多了，那我就会给这1500个东西评分，排出来个123，所以就会通过协同过滤去做一个排名，用RFM模型去做排序。这是第一次排序。
然后会根据一些运营规则和玩法再去做一次排序，为什么要做两次排序呢？因为计算量太大了，所以要做两次排序。排序之后，就是对每个人做一个千人千面的展示了。
六、冷启动的问题
为什么是抖音算法热门推荐系统？因为他有很多的数据去支撑你的整个系统，但是如果没有数据该怎么办呢？这个时候就需要做冷启动了，冷启动常遇到的问题分三种：
用户冷启动：主要解决的是如何给新用户做个人化推荐的问题？
物品冷启动：主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题；
系统冷启动：主要解决如何在一个新开发的产品上（还没有用户，也没有用户行为，只有一些物品的信息）设计个性化推荐系统，使网站刚发布就让用户体验到个性化推荐服务这一问题。
常见的冷启动方法，如下图：
七、抖音算法热门推荐系统的指标体系
然后我们评价我们的系统是不是一个NB的系统，就需要建立一个指标体系，怎么建立这个指标体系呢？需要从三个维度来建立，第一是人的维度；第二是货的维度，第三就是场的维度。
1. 人的维度怎么评价一个推荐系统做的好不好呢？
要看的是人均展现，就像女孩子逛街一样，你开心你就多逛一会儿，不开心可能逛一会儿就结束了，看你吸不吸引她。
人均点击就是她点进去这个产品查看了，阅读时长（消费）指的就是这个东西符合他的口味，比如一本书，肯定是阅读时间越长，越能表现这个这个书越符合人的口味，我推荐的东西，肯定是他买的越多，说明我们的系统越好。
她逛了多少家店，看了多长时间，买了多少钱，肯定是推荐系统越好，推荐的东西越符合他的品味，她逛的时间就越长。这个东西都是成正比的。那Dislike就是你不喜欢这个东西，不点击，如果dislike率太高的话，那就说明我们的系统还是不太NB的。
所以说在对人的维度：是C端的维度，我们要考虑的是满足用户的需求。
2. 货的维度，比如我哪些品类被曝光了，哪些品类被卖出去了
这个要看的是每个单品商品的拉新、留存、转化能力。
为什么要说货的维度呢？是为了建立一个稳定的生态，比如说抖音，就那么几百个人火，其他人发了都不活，那么长此下去，还会有其他人去发抖音了么？不会了。
比如说漂亮小姐姐发啥都火，人均点击量就是特别高，那我是一个糙老爷们儿，我没有那么美丽的皮囊，但是我有内涵，我在抖音上讲干货，我的抖音没人看，我发了几次，一直没人看，那我就不发了。
所以在算法上，为了生态平衡，为了生态的健康，系统也会给我一些流量，让我的内容有点点击率，也利于刺激我去做内容，从而扩大整个系统的生态。
所以在货的维度上：是B端的维度，是为了要满足生态的稳定性。
3. 场的维度、平台的推荐机制等
我建了多少队列，队列是不是多样的，覆盖的内容是不是够广，内容时效性是不是够强，不能说都2020年了，我给你推2001年911恐怖袭击是吧？
还有我们的内容是不是低俗低质量的，比如什么我推的都是什么咪蒙文《港囧：斗小三的正确方式是，你要有很多很多的钱》、《如何科学的搞死渣男老公和小三》，都是很吸引人点击的内容，但是画风就很难看，所以为了持续的生态，平台也要去打击屏蔽类似的内容、字眼。
内容聚集度指的是：top100的内容占全部内容的比例，比如说我抖音top100的内容的播放量占了全部内容播放量的80%，说明大部分用户只看头部内容，那生态就是不健康的，我们还是希望是把流量平分给各个哥们儿。
但是各个平台内容是不同的，比如说抖音主要是把流量分配给各个MCN机构的，但是快手的算法是把流量分配给各个老铁的。大家可以试试，你去抖音发和快手发同样的一个视频，快手的播放量大多数是要超过抖音的，因为抖音的算法，除非爆款，不然他是不会把流量分发给你的。
而快手的Slogan是“快手，记录生活”，是一个记录生活的地方，他的流量分发是相对比较平均的。抖音为了让大家的使用时长提高，广告的转化率提高，所以会推荐一些精品的内容，但是精品的内容制作是需要有团队的，或者说门槛比较高，我们普通人制作不出来，所以内容聚集度就高了。
八、抖音算法热门推荐还有哪些延伸？
比如说用在PUSH上，在大麦APP里，你平时关注的音乐会，我平时关注的是演唱会，那可能系统给你推荐的就是《【南京】【跨年场】《维也纳施特劳斯之夜》新年交响音乐会》，给我推荐的可能就是《【南京】汪苏泷大娱乐家演唱会-南京站》。
比如说智能客服，同样都是买东西遇到了困难，你是的手机维修，我的是家电维修，咱们两个收到的内容也是不一样的。
比如说智能营销，孙博士在系统里是机械学院的老教授，张博士在系统里是生物学院的老教授，那系统给他们发送的内容，给孙博士发的就是机械相关的内容，比如说机械相关的产品，相关的会议。给张博士发的就是生物相关的产品和会议等。
再来说智能搜索， 智能搜索会根据每个人搜索的历史记录不同，所在国家、地区的不同，展示不同的搜索结果，现在谷歌，百度等搜索已经是了，比如说百度，你在南京搜医院和你在北京搜医院，展示的内容肯定是不同的。
此外还有什么东西可以用到智能的个性化的产品，大家可以自己在工作之余想想。
