推荐去中心化

个性化推荐系统简单来讲是一个将user和item进行匹配的一个系统。个性化推荐系统主要包括召回、排序两个典型模块：召回是指根据用户信息和历史行为，从内容池中获取与之相匹配的部份内容（item）；排序是指根据用户、内容的特征，经过模型预估出内容的点击率状况。

通常来讲，个性化推荐系统的召回主要有：标签召回（用户、内容打标签）、协同召回、热度召回（根据行为计算出来的内容）等，排序模型主要有lr、fm、gbdt、NN网络等。在现实的状况下为了强调个性化，每每过分经过用户的行为来计算召回、排序，这样就会致使一个严重的问题——头部内容集中。问题表现主要分两个阶段：

一、马太效应：头部内容得到了大量的推荐（流量），而腰部、尾部的内容只获取到了少许的流量甚至没法获取流量，而且这种状况随着时间会愈来愈明显（强者更强、弱者更弱）。

二、信息茧房：从用户角度出发，某我的看到的内容始终是那些品类，相似原地打转。

为了减轻上面说的两种状况，通常会经过算法策略来控制流量的分发——去中心化。接下来咱们看下抖音算法逻辑

 

抖音算法是很是有魅力的，而使其产生魅力的是抖音的流量分配是去中心化。抖音的推荐算法逻辑能够分为三部分：

抖音与其余互联网产品的中心化流量分配不一样，它是去中心化流量分配机制（微博就是中心化流量分配，刚开通微博的粉丝是没有人关注的，而抖音即便是0粉丝，发布的任何小视频都能分配几十甚至上百的流量）。为了确保内容的多样性，针对每一个内容都会预分配必定的流量，从1-200到500到1000阶梯型给流量，根据权重断定给你流量大小，权重越高，内容获取的曝光越高。主要包括：

一、小权重：完播率、重复率；

二、中权重：点赞、转发、评论量...；

三、大权重：热门音乐、挑战话题...；

具体以下：

抖音对于一个新的内容，先对其审核，经过后根据内容属性（标签...）进行必定量的试分发（1-200）；若是其播完率和重复率超过必定的数量，算法就会将之判断为受欢迎内容，自动为内容加权，分发量扩大到500；若是其点赞、转发、评论超过必定的量，算法又会自动加权，继续扩大分发量。

最后通过大量粉丝的检验，被层层热度加权以后才会进入抖音的推荐内容池，接受几十甚至上百万的大流量洗礼。其热度的评判标准包括两个方面：

1. 热度权重的参考次序：转发量>评论>点赞量。
2. 根据时间择新去旧：除非有大量粉丝模仿及跟拍，一条火爆视频的热度最多持续一周。