抖音推荐机制的特征是什么

抖音的上热门的方法类似于威尔逊得分排序算法，但是远远又比威尔逊得分排序算法更复杂。

大概就是：

机器审核+人工双重审核。

当一个视频初期上传，平台会给你一个初始流量，如果初始流量之后，根据点赞率，评论率，转发率，进行判断：该视频是受欢迎还是不受欢迎，如果第一轮评判为受欢迎的，那么他会进行二次传播。

当第二次得到了最优反馈，那么就会给与推荐你更大的流量。

相反，在第一波或者第N波，反应不好，就不再推荐，没有了平台的推荐，你的视频想火的概率微乎其微，因为没有更多的流量能看见你。

你的视频火的第一步是被别人看见，第一步就把路给走死了，后续也只能依靠朋友星星点点的赞。

其实，不难看出这个抖音推荐机制算法背后思维逻辑：流量池，叠加推荐，热度加权及用户心理追求。

下面还是来了解一下威尔逊得分(Wilson Score)排序算法吧！

威尔逊得分排序算法，Wilson Score，用于质量排序，数据含有好评和差评，综合考虑评论数与好评率，得分越高，质量越高。

u表示正例数（好评），v表示负例数（差评），n表示实例总数（评论总数），p表示好评率，z是正态分布的分位数（参数），S表示最终的威尔逊得分。 z一般取值2即可，即95%的置信度。

正太分布的分位数表：

算法性质：

PS：关于z参数，即正太分位数。 正太分位数影响wilson得分的分布，z参数取值依据就是样本数的量级。 举个例子：同样是100个样本，90个好评，z取值2或6，分数差别很大，体系所容纳（或区分）的样本数也相差较大（同样是0.82分和90%好评率，z=2需要100个样本，z=6需要1000个样本），一般而言，样本数的量级越大，z的取值大。

威尔逊得分算法的分布图

实例：假设医生A有100个评价，1个差评99个好评。 医生B有2个评价，都是好评，那哪个应该排前面？

在z=2时，即95%的置信度，医生A的得分是0.9440，医生B的得分是0.3333，医生A排在前面。

示例：喜剧视频在10次观看中，6次被喜欢，4次不被喜欢；运动类视频在1000次观看中，550次被喜欢，450次不被喜欢

问题：喜剧类视频和运动类视频哪个更受欢迎？

第一种得分方法：得分 = 赞成票 – 反对票 ；很明显，方法一表示运动类视频更受欢迎

第二种得分方法：得分 = 赞成量/总量；很明显，方法二表示喜剧类视频更受欢迎

当样本总量都很大时，其实方法二比较正确，用相对量点赞率作为评分标准，但当总量很小时，比如2次观看中，2次都被喜欢，点赞率岂不是100%，但是因为总量太少不足以说明其可信度。

因此我们可以采用威尔逊置信区间法，有如下设定：

1.视频每次被观看都是独立事件;

2.视频的反馈只有两种：被喜欢和不被喜欢;

3.视频的观看总量为n,其中有k次被喜欢，喜欢的比例p等于k/n.

不难看出，这是一种统计分布，即二项分布：假设在n次独立的实验中，每次试验成功的概率为p,所有成功次数K就是服从参数n和p的二项随机变量。

一般而言，p越大，就代表这类视频的好评比例越高，越应该排在前面。 但是，p的可信性，取决于有多少次观看总量，如果样本太小，p就不太可信。 就好比一个实验只做一次成功了就说这个实验完美了，也许这次的成功是碰巧因素，我们需要不断地重复做这个实验检验其成功地可信度。 我们知道p是二项分布中某个事件的发生概率，可以计算出p的置信区间。

举个例子：喜剧类视频的点赞率是60%，但是这个概率不可信，根据统计学，可以说有95%(这里是置信水平0.05）把握，其点赞率在55%到65%之间，则其置信区间就是[55%,65%]. 根据样本量对置信区间的影响，当置信水平（）固定的时候，样本量越大，置信区间越窄。 （另外补充：当样本量不变时，置信水平越高，置信区间越大)。

置信区间和样本总量这一关系，就可以对概率p可信度进行修正，弥补样本量国过小和样本总量差异太大的影响。

当样本总量很小时，说明概率p 不一定可信，需要进行修正，其置信区间比较宽，下限值会比较小；

当样本量比较大时，说明比较可信，不需要较大的修正，其置信区间比较窄，下限值会比较大；

接下来，对不同类型的视频进行排名算法比较清晰了：

第一步：计算每类视频的点赞率；

第二步：计算每个点赞率的置信区间；

第三步：计算置信区间的下限值（wilson-s，进行排名。 这个下限值越大，排名越高。

以下是置信区间上下限的界限：下限值最小为0，上限值最大为1

1927年，美国数学家 Edwin Bidwell Wilson提出了一个修正公式，被称为”威尔逊区间”，很好地解决了小样本的准确性问题。

注意：公式中的在上面的公式中，表示样本的”赞成票比例”，n表示样本的大小，表示对应某个置信水平的z统计量，这是一个常数，可以通过查表或统计软件包得到。 一般情况下，在95%的置信水平下，z统计量的值为1.96。

不难看出威尔逊置信区间的均值：（上限+下限）/2 ：

可以看到，当n的值足够大时，这个下限值会趋向。 如果n非常小，这个下限值会大大小于。 实际上，起到了降低”赞成票比例”的作用，使得该类视频的得分变小、排名下降。 实际示例中也的确如此。

这种排序算法可以消除样本数量差异太大的影响，可以适用于寻找用户兴趣爱好排序问题，进一步进行个性化方向推荐。

几种语言的实现示例。

下一篇：重庆最出名的步行街是什么街(重庆著名的步行街是什么)
上一篇：顶楼和一楼你会选择哪一个(洋房顶楼和一楼你会选择哪一个)