TikTok中For You的推送機(jī)制是如何作用的？

可以去看看TikTok他們的新聞稿集，里面有For You頁面的算法構(gòu)成要素。

他們提到的標(biāo)準(zhǔn)包括：

用戶對發(fā)布（行為或內(nèi)容，也可以簡單的理解成帖子）的參與程度。不論是點(diǎn)贊，評論，分享或者關(guān)注賬戶；它們都會被給予不同的重要性。

使用哪些音效。這個回應(yīng)了一個已被預(yù)測的理論，（即）流行的音效增加了你的視頻的搜索，因此，闡述了使用流行音效的重要性。

設(shè)備和位置設(shè)置。設(shè)備所使用的語言、GPS位置和設(shè)備類型也會在算法中被考慮。

它還提到了，這些指標(biāo)中的每一個指標(biāo)都會因?yàn)椴挥脩舯旧淼氖褂昧?xí)慣不盡相同，而產(chǎn)生不同權(quán)重；例如，如果某用戶只在兩百個視頻中分享了一個(出去)，那么算法就會認(rèn)為這個分享(的權(quán)重)比其他什么都分享的用戶(的權(quán)重)高很多。

有一點(diǎn)非常重要，巨大的粉絲數(shù)量不是平臺推薦算法機(jī)制的直接加權(quán)項(xiàng)。這意味著，即使你賬戶的粉絲數(shù)量非常少，如果按照上述特定標(biāo)準(zhǔn)中表現(xiàn)良好，將會被視為與同樣標(biāo)準(zhǔn)同樣表現(xiàn)的數(shù)百萬粉絲賬戶的重要性一致。

以下是tiktok “for you”的作用機(jī)制

1，F(xiàn)or You條件因素

一個很重的標(biāo)準(zhǔn)，就是用戶的“喜好”。

1）用戶互動：喜好和分享的視頻，關(guān)注的賬戶，發(fā)布的評論以及創(chuàng)建的內(nèi)容。

2）視頻信息，視頻的標(biāo)題，配音以及標(biāo)簽等細(xì)節(jié)。

3）設(shè)備和賬戶的設(shè)置，語言的偏好，國家的設(shè)置和設(shè)備的設(shè)置。

這些因素，都會被TikTok的推薦系統(tǒng)處理，并依據(jù)這些對用戶的價(jià)值進(jìn)行加權(quán)。一個強(qiáng)的興趣指標(biāo)，會比一個弱的興趣指標(biāo)獲得更大的權(quán)重，比如說，用戶是否會從頭到尾，完整的看完一個視頻。是否會完整的看完一個長視頻。

2，F(xiàn)or You Feed的建立

一個新的用戶，創(chuàng)建賬號同時(shí)，平臺會為新用戶，推薦感興趣的類別，以依據(jù)這些喜好，開始進(jìn)行推薦。并依據(jù)此類喜好，進(jìn)行客戶推薦的打磨。

那么對于沒有選擇喜好的用戶，平臺會先推薦熱門視頻，新用戶的第一次點(diǎn)贊，評論和重播都將是平臺更加的了解新的用戶，并開始推薦機(jī)制。

每一次用戶的新的互動都是讓系統(tǒng)更了解用戶的需求，并推薦更多用戶喜好的視頻。那么當(dāng)用戶選擇“Discover” 選項(xiàng)卡上的標(biāo)簽、聲音、效果和熱門話題也是如此，這些內(nèi)容，都會進(jìn)入用戶的新的推薦機(jī)制選擇項(xiàng)中。

3，少看自己不感興趣的東西

用戶遇到不感興趣的話題時(shí)，可選擇“不感興趣”來選擇。也可選擇隱藏來自特定創(chuàng)作者或者某種背景音樂制作的視頻等方式，來減少系統(tǒng)中的推薦。

4，來自推薦引擎的挑戰(zhàn)

給出“Filter Bubble”（字母翻譯過濾泡沫）的概念。提出挑戰(zhàn)：可能會有更多同質(zhì)化的內(nèi)容被推薦出來。

5，打斷重復(fù)模式

將不同類型的內(nèi)容與用戶喜愛的內(nèi)容穿插在一起，可能會被推薦一個受到其他興趣相投的用戶好評的視頻。但，不推薦重復(fù)的內(nèi)容，你已經(jīng)看過的內(nèi)容，或者任何被認(rèn)為是垃圾的內(nèi)容。

6，多元化內(nèi)容提供

會在用戶的信息源中提供該用戶的興趣無關(guān)的視頻，或者是積累大量的贊的優(yōu)質(zhì)視頻。是為了讓用戶有更多的機(jī)會在瀏覽Feed時(shí)，發(fā)現(xiàn)新的內(nèi)容類別，發(fā)現(xiàn)新的創(chuàng)作者，并體驗(yàn)新的觀點(diǎn)和想法。（此點(diǎn)也是官方不斷闡述原創(chuàng)，優(yōu)質(zhì)視頻的重要性。）

7，保障用戶體驗(yàn)

拒絕敏感視頻，拒絕剛剛上傳或正在審核的視頻，以及尋求人為增加流量的視頻等垃圾內(nèi)容。

8，改進(jìn)內(nèi)容

系統(tǒng)的設(shè)計(jì)是為了不斷改進(jìn)、糾正，根據(jù)用戶的反饋、研究和數(shù)據(jù)，努力完善準(zhǔn)確性、調(diào)整模型，并重新評估有助于推薦的因素和權(quán)重。