抖音短视频的推荐算法是怎样的？在抖音上可以有计划地打磨出一系列爆款视频吗？

可以的，做抖音第一件事情就是了解好他的底层算法和逻辑 ，抖音隶属于今日头条旗下，毋庸置疑，抖音的算法推荐机制就是今日头条的算法，

今天我们就来聊一下，不一定能看明白，但是一定会有收获

首先推荐系统，如果用形式化的方式去描述实际上是拟合一个用户对内容满意度的函数，这个函数需要输入三个维度的变量。

第一个维度是内容。头条现在已经是一个综合内容平台，图文、视频、UGC小视频、问答、微头条，每种内容有很多自己的特征，需要考虑怎样提取不同内容类型的特征做好推荐。

第二个维度是用户特征。包括各种兴趣标签，职业、年龄、性别等，还有很多模型刻划出的隐式用户兴趣等。

第三个维度是环境特征。这是移动互联网时代推荐的特点，用户随时随地移动，在工作场合、通勤、旅游等不同的场景，信息偏好有所偏移。

结合三方面的维度，模型会给出一个预估，即推测推荐内容在这一场景下对这一用户是否合适。

这里还有一个问题，如何引入无法直接衡量的目标？

推荐模型中，点击率、阅读时间、点赞、评论、转发包括点赞都是可以量化的目标，能够用模型直接拟合做预估，看线上提升情况可以知道做的好不好。

但一个大体量的推荐系统，服务用户众多，不能完全由指标评估，引入数据指标以外的要素也很重要。

比如广告和特型内容频控。像问答卡片就是比较特殊的内容形式，其推荐的目标不完全是让用户浏览，还要考虑吸引用户回答为社区贡献内容。这些内容和普通内容如何混排，怎样控制频控都需要考虑。

此外，平台出于内容生态和社会责任的考量，像低俗内容的打压，标题党、低质内容的打压，重要新闻的置顶、加权、强插，低级别账号内容降权都是算法本身无法完成，需要进一步对内容进行干预。

下面我将简单介绍在上述算法目标的基础上如何对其实现。

前面提到的公式y=F(Xi ,Xu ,Xc)，是一个很经典的监督学习问题。可实现的方法有很多，比如传统的协同过滤模型，监督学习算法Logistic Regression模型，基于深度学习的模型，Factorization Machine和GBDT等。

一个优秀的工业级推荐系统需要非常灵活的算法实验平台，可以支持多种算法组合，包括模型结构调整。因为很难有一套通用的模型架构适用于所有的推荐场景。

现在很流行将LR和DNN结合，前几年Facebook也将LR和GBDT算法做结合。今日头条旗下几款产品都在沿用同一套强大的算法推荐系统，但根据业务场景不同，模型架构会有所调整。

模型之后再看一下典型的推荐特征，主要有四类特征会对推荐起到比较重要的作用。

第一类是相关性特征，就是评估内容的属性和与用户是否匹配。显性的匹配包括关键词匹配、分类匹配、来源匹配、主题匹配等。像FM模型中也有一些隐性匹配，从用户向量与内容向量的距离可以得出。

第二类是环境特征，包括地理位置、时间。这些既是bias特征，也能以此构建一些匹配特征。

第三类是热度特征。包括全局热度、分类热度，主题热度，以及关键词热度等。内容热度信息在大的推荐系统特别在用户冷启动的时候非常有效。

第四类是协同特征，它可以在部分程度上帮助解决所谓算法越推越窄的问题。

协同特征并非考虑用户已有历史。而是通过用户行为分析不同用户间相似性，比如点击相似、兴趣分类相似、主题相似、兴趣词相似，甚至向量相似，从而扩展模型的探索能力。

模型的训练上，头条系大部分推荐产品采用实时训练。实时训练省资源并且反馈快，这对信息流产品非常重要。用户需要行为信息可以被模型快速捕捉并反馈至下一刷的推荐效果。

我们线上目前基于storm集群实时处理样本数据，包括点击、展现、收藏、分享等动作类型。

模型参数服务器是内部开发的一套高性能的系统，因为头条数据规模增长太快，类似的开源系统稳定性和性能无法满足，而我们自研的系统底层做了很多针对性的优化，提供了完善运维工具，更适配现有的业务场景。

目前，头条的推荐算法模型在世界范围内也是比较大的，包含几百亿原始特征和数十亿向量特征。

整体的训练过程是线上服务器记录实时特征，导入到Kafka文件队列中，然后进一步导入Storm集群消费Kafka数据，客户端回传推荐的label构造训练样本，随后根据最新样本进行在线训练更新模型参数，最终线上模型得到更新。

这个过程中主要的延迟在用户的动作反馈延时，因为文章推荐后用户不一定马上看，不考虑这部分时间，整个系统是几乎实时的。

但因为头条目前的内容量非常大，加上小视频内容有千万级别，推荐系统不可能所有内容全部由模型预估。

所以需要设计一些召回策略，每次推荐时从海量内容中筛选出千级别的内容库。召回策略最重要的要求是性能要极致，一般超时不能超过50毫秒。

召回策略种类有很多，我们主要用的是倒排的思路。离线维护一个倒排，这个倒排的key可以是分类，topic，实体，来源等。

排序考虑热度、新鲜度、动作等。线上召回可以迅速从倒排中根据用户兴趣标签对内容做截断，高效的从很大的内容库中筛选比较靠谱的一小部分内容。

二、内容分析

内容分析包括文本分析，图片分析和视频分析。头条一开始主要做资讯，今天我们讲一下文本分析。文本分析在推荐系统中一个很重要的作用是用户兴趣建模。

没有内容及文本标签，无法得到用户兴趣标签。举个例子，只有知道文章标签是互联网，用户看了互联网标签的文章，才能知道用户有互联网标签，其他关键词也一样。

另一方面，文本内容的标签可以直接帮助推荐特征，比如魅族的内容可以推荐给关注魅族的用户，这是用户标签的匹配。

如果某段时间推荐主频道效果不理想，出现推荐窄化，用户会发现到具体的频道推荐（如科技、体育、娱乐、军事等）中阅读后，再回主feed,推荐效果会更好。

因为整个模型是打通的，子频道探索空间较小，更容易满足用户需求。只通过单一信道反馈提高推荐准确率难度会比较大，子频道做的好很重要。而这也需要好的内容分析。

上图是今日头条的一个实际文本case。可以看到，这篇文章有分类、关键词、topic、实体词等文本特征。

当然不是没有文本特征，推荐系统就不能工作，推荐系统最早期应用在Amazon,甚至沃尔玛时代就有，包括Netfilx做视频推荐也没有文本特征直接协同过滤推荐。

但对资讯类产品而言，大部分是消费当天内容，没有文本特征新内容冷启动非常困难，协同类特征无法解决文章冷启动问题。

今日头条推荐系统主要抽取的文本特征包括以下几类。首先是语义标签类特征，显式为文章打上语义标签。

这部分标签是由人定义的特征，每个标签有明确的意义，标签体系是预定义的。

此外还有隐式语义特征，主要是topic特征和关键词特征，其中topic特征是对于词概率分布的描述，无明确意义；而关键词特征会基于一些统一特征描述，无明确集合。

另外文本相似度特征也非常重要。在头条，曾经用户反馈最大的问题之一就是为什么总推荐重复的内容。这个问题的难点在于，每个人对重复的定义不一样。

举个例子，有人觉得这篇讲皇马和巴萨的文章，昨天已经看过类似内容，今天还说这两个队那就是重复。

但对于一个重度球迷而言，尤其是巴萨的球迷，恨不得所有报道都看一遍。解决这一问题需要根据判断相似文章的主题、行文、主体等内容，根据这些特征做线上策略。

同样，还有时空特征，分析内容的发生地点以及时效性。比如武汉限行的事情推给北京用户可能就没有意义。

最后还要考虑质量相关特征，判断内容是否低俗，色情，是否是软文，鸡汤？

上图是头条语义标签的特征和使用场景。他们之间层级不同，要求不同。

分类的目标是覆盖全面，希望每篇内容每段视频都有分类；而实体体系要求精准，相同名字或内容要能明确区分究竟指代哪一个人或物，但不用覆盖很全。

概念体系则负责解决比较精确又属于抽象概念的语义。这是我们最初的分类，实践中发现分类和概念在技术上能互用，后来统一用了一套技术架构。

目前，隐式语义特征已经可以很好的帮助推荐，而语义标签需要持续标注，新名词新概念不断出现，标注也要不断迭代。其做好的难度和资源投入要远大于隐式语义特征，那为什么还需要语义标签？

有一些产品上的需要，比如频道需要有明确定义的分类内容和容易理解的文本标签体系。语义标签的效果是检查一个公司NLP技术水平的试金石。

今日头条推荐系统的线上分类采用典型的层次化文本分类算法。

最上面Root，下面第一层的分类是像科技、体育、财经、娱乐，体育这样的大类，再下面细分足球、篮球、乒乓球、网球、田径、游泳…，足球再细分国际足球、中国足球，中国足球又细分中甲、中超、国家队…，相比单独的分类器，利用层次化文本分类算法能更好地解决数据倾斜的问题。

有一些例外是，如果要提高召回，可以看到我们连接了一些飞线。这套架构通用，但根据不同的问题难度，每个元分类器可以异构，像有些分类SVM效果很好，有些要结合CNN，有些要结合RNN再处理一下。

上图是一个实体词识别算法的case。基于分词结果和词性标注选取候选，期间可能需要根据知识库做一些拼接，有些实体是几个词的组合，要确定哪几个词结合在一起能映射实体的描述。

如果结果映射多个实体还要通过词向量、topic分布甚至词频本身等去歧，最后计算一个相关性模型。

三、用户标签

内容分析和用户标签是推荐系统的两大基石。内容分析涉及到机器学习的内容多一些，相比而言，用户标签工程挑战更大。

今日头条常用的用户标签包括用户感兴趣的类别和主题、关键词、来源、基于兴趣的用户聚类以及各种垂直兴趣特征（车型，体育球队，股票等）。还有性别、年龄、地点等信息。

性别信息通过用户第三方社交账号登录得到。年龄信息通常由模型预测，通过机型、阅读时间分布等预估。

常驻地点来自用户授权访问位置信息，在位置信息的基础上通过传统聚类的方法拿到常驻点。

常驻点结合其他信息，可以推测用户的工作地点、出差地点、旅游地点。这些用户标签非常有助于推荐。

当然最简单的用户标签是浏览过的内容标签。但这里涉及到一些数据处理策略。

主要包括：

一、过滤噪声。通过停留时间短的点击，过滤标题党。

二、热点惩罚。对用户在一些热门文章（如前段时间PG One的新闻）上的动作做降权处理。理论上，传播范围较大的内容，置信度会下降。

三、时间衰减。用户兴趣会发生偏移，因此策略更偏向新的用户行为。因此，随着用户动作的增加，老的特征权重会随时间衰减，新动作贡献的特征权重会更大。

四、惩罚展现。如果一篇推荐给用户的文章没有被点击，相关特征（类别，关键词，来源）权重会被惩罚。当

然同时，也要考虑全局背景，是不是相关内容推送比较多，以及相关的关闭和dislike信号等。

用户标签挖掘总体比较简单，主要还是刚刚提到的工程挑战。头条用户标签第一版是批量计算框架，流程比较简单，每天抽取昨天的日活用户过去两个月的动作数据，在Hadoop集群上批量计算结果。

但问题在于，随着用户高速增长，兴趣模型种类和其他批量处理任务都在增加，涉及到的计算量太大。

2014年，批量处理任务几百万用户标签更新的Hadoop任务，当天完成已经开始勉强。集群计算资源紧张很容易影响其它工作，集中写入分布式存储系统的压力也开始增大，并且用户兴趣标签更新延迟越来越高。

面对这些挑战。2014年底今日头条上线了用户标签Storm集群流式计算系统。改成流式之后，只要有用户动作更新就更新标签，CPU代价比较小，可以节省80%的CPU时间，大大降低了计算资源开销。

同时，只需几十台机器就可以支撑每天数千万用户的兴趣模型更新，并且特征更新速度非常快，基本可以做到准实时。这套系统从上线一直使用至今。

当然，我们也发现并非所有用户标签都需要流式系统。像用户的性别、年龄、常驻地点这些信息，不需要实时重复计算，就仍然保留daily更新。

四、评估分析

上面介绍了推荐系统的整体架构，那么如何评估推荐效果好不好？

有一句我认为非常有智慧的话，“一个事情没法评估就没法优化”。对推荐系统也是一样。

事实上，很多因素都会影响推荐效果。比如侯选集合变化，召回模块的改进或增加，推荐特征的增加，模型架构的改进在，算法参数的优化等等，不一一举例。

评估的意义就在于，很多优化最终可能是负向效果，并不是优化上线后效果就会改进。

全面的评估推荐系统，需要完备的评估体系、强大的实验平台以及易用的经验分析工具。

所谓完备的体系就是并非单一指标衡量，不能只看点击率或者停留时长等，需要综合评估。

很多公司算法做的不好，并非是工程师能力不够，而是需要一个强大的实验平台，还有便捷的实验分析工具，可以智能分析数据指标的置信度。

一个良好的评估体系建立需要遵循几个原则，首先是兼顾短期指标与长期指标。我在之前公司负责电商方向的时候观察到，很多策略调整短期内用户觉得新鲜，但是长期看其实没有任何助益。

其次，要兼顾用户指标和生态指标。既要为内容创作者提供价值，让他更有尊严的创作，也有义务满足用户，这两者要平衡。

还有广告主利益也要考虑，这是多方博弈和平衡的过程。

另外，要注意协同效应的影响。实验中严格的流量隔离很难做到，要注意外部效应。

强大的实验平台非常直接的优点是，当同时在线的实验比较多时，可以由平台自动分配流量，无需人工沟通，并且实验结束流量立即回收，提高管理效率。

这能帮助公司降低分析成本，加快算法迭代效应，使整个系统的算法优化工作能够快速往前推进。

这是头条A/B Test实验系统的基本原理。首先会做在离线状态下做好用户分桶，然后线上分配实验流量，将桶里用户打上标签，分给实验组。

举个例子，开一个10%流量的实验，两个实验组各5%，一个5%是基线，策略和线上大盘一样，另外一个是新的策略。

实验过程中用户动作会被搜集，基本上是准实时，每小时都可以看到。但因为小时数据有波动，通常是以天为时间节点来看。动作搜集后会有日志处理、分布式统计、写入数据库，非常便捷。

在这个系统下工程师只需要设置流量需求、实验时间、定义特殊过滤条件，自定义实验组ID。系统可以自动生成：实验数据对比、实验数据置信度、实验结论总结以及实验优化建议。

当然，只有实验平台是远远不够的。线上实验平台只能通过数据指标变化推测用户体验的变化，但数据指标和用户体验存在差异，很多指标不能完全量化。

很多改进仍然要通过人工分析，重大改进需要人工评估二次确认。

五、内容安全

最后要介绍今日头条在内容安全上的一些举措。头条现在已经是国内最大的内容创作与分发凭条，必须越来越重视社会责任和行业领导者的责任。如果1%的推荐内容出现问题，就会产生较大的影响。

现在，今日头条的内容主要来源于两部分，一是具有成熟内容生产能力的PGC平台

一是UGC用户内容，如问答、用户评论、微头条。这两部分内容需要通过统一的审核机制。如果是数量相对少的PGC内容，会直接进行风险审核，没有问题会大范围推荐。

UGC内容需要经过一个风险模型的过滤，有问题的会进入二次风险审核。审核通过后，内容会被真正进行推荐。这时如果收到一定量以上的评论或者举报负向反馈，还会再回到复审环节，有问题直接下架。

整个机制相对而言比较健全，作为行业领先者，在内容安全上，今日头条一直用最高的标准要求自己。

分享内容识别技术主要鉴黄模型，谩骂模型以及低俗模型。今日头条的低俗模型通过深度学习算法训练，样本库非常大，图片、文本同时分析。

这部分模型更注重召回率，准确率甚至可以牺牲一些。谩骂模型的样本库同样超过百万，召回率高达95%+，准确率80%+。如果用户经常出言不讳或者不当的评论，我们有一些惩罚机制。

泛低质识别涉及的情况非常多，像假新闻、黑稿、题文不符、标题党、内容质量低等等，这部分内容由机器理解是非常难的，需要大量反馈信息，包括其他样本信息比对。

目前低质模型的准确率和召回率都不是特别高，还需要结合人工复审，将阈值提高。目前最终的召回已达到95%，这部分其实还有非常多的工作可以做。

这就是今日头条旗下包括抖音的算法机制，如果你能看完，不一定能明白，但一定会有收获。

https://xg.zhihu.com/plugin/64e740fc7a652b36f68783bdb37c9c8f?BIZ=ECOMMERCE

抖音的算法是极具魅力的。这个魅力在于，抖音的流量分配是去中心化的。

抖音的算法是中心化的，会根据用户的喜好推送视频内容，让平台流量更加公平，这套算法是抖音必不可少的评判机制，对平台的所有用户都有效，无论是内容生产者（拍视频的人）还是内容消费者（看视频的人）

在公众号上，如果你没有粉丝的话，你发的内容就不会有人看。但是抖音就不一样，所有的抖音的用户，你拍的任何一个视频，无论质量好还是质量坏，发布了之后一定会有播放量，从几十到上千都有可能。

这个我们把它叫做流量池，抖音会根据算法给每一个作品的人分配一个流量池。之后，抖音根据你在这个流量池里的表现，决定是把你的作品推送给更多人，还是就此打住。

因此，抖音的算法让每一个有能力产出优质内容的人，得到了跟大号公平竞争的机会。

抖音每天的日活是有限的，也就是说总的推荐量是基本固定的：

一方面，跟你内容相关标签的人群基本完成推荐，其他非精准标签人群反馈效果差，所以停止推荐；

另一方面，抖音也不希望某个账号迅速火起来，而是通过一轮轮考验，考验你的内容再创新能力，考验你持续输出优质内容的能力。

https://xg.zhihu.com/plugin/64e740fc7a652b36f68783bdb37c9c8f?BIZ=ECOMMERCE

抖音的叠加推荐，大概率受这几方面的影响：

1.账号初始权重；

2.初始流量池用户反馈（点赞率、评论率、转发率、完播率和关注比例），以及持续反馈；

3.账号已有粉丝反馈；

4.外部真实账号激活（互赞互评互转一类）行为。

因此，我们要珍惜这个流量池，想办法让我们的作品在这个流量池中有突出的表现。

抖音评价你在流量池中的表现，会参照 4 个标准：

① 点赞量

② 评论量

③ 转发量

④ 完播率

知道了这 4 个标准，我们就要在一开始视频发出来的时候，想办法发动所有的你能发动的力量去点赞、评论、转发、把它播放完。

抖音号权重排名，视频数据与算法的关系：

https://xg.zhihu.com/plugin/64e740fc7a652b36f68783bdb37c9c8f?BIZ=ECOMMERCE

抖音短视频发布时间与建议：

这个世界上没有不可能的事情，只要找对方法，我们就能切入任何一片领域，方法是什么，方法就是堪破表象，直达本质，这个世界好比一个魔方，有其方法与规律，只要你能掌握其内在的本质，你就能掌控这个世界！

记住：多寻找牛人、专家或者和跟你口味相近的人，这些人能起到很好的信息过滤作用，你关注这些人就能获得大部分的优质信息，就算有极少消息不知道也无谓。

我始终认为，牛人和普通人的根本区别在于思维方式的不同，而非知识多少、阅历多少。 就像读到的那句话：“人类就像是一条历史长河中的鱼，只有某几条鱼跳出河面，看到世界的法则，但是却无法改变，当那几条鱼中有跳上岸，进化了，改变河道流向，那样才能改变法则。”

https://xg.zhihu.com/plugin/64e740fc7a652b36f68783bdb37c9c8f?BIZ=ECOMMERCE

各位同学好，我是黄sir。专注抖音短视频运+直播营知识分享，避免你下次找不到我，记得加个关注哦，喜欢我的内容一定要点赞+收藏！

下面我们解读一下抖音平台的算法与推荐机制，掌握推荐机制为我们打造爆款视频打下基础。

1、抖音比你，更懂你自己

大数据面前，你我都是裸奔！这可不是一句玩笑话。想想每当电商大促前我们收到的短信轰炸，当你走到附近的某个商圈，App开始推送各种吃喝玩乐信息，刷朋友圈看到的广告，打开京东、淘宝展示的商品。央视315晚会第一个被曝光的是人脸识别滥用，许多商场安装了人脸识别摄像头，在用户毫不知情的情况下就被窃取了重要的人脸信息，好像监控装到了你的身上，这一切都是技术的进步，大数据、人工智能的普及。

而抖音为什么能火？这离不开它的算法，很多人刷抖音根本停不下来，用户日均使用时长超过1小时，你看看自己的手机屏幕使用时长，抖音占多少？

你打开抖音看的每一个视频，浏览了多少秒，系统跟你算得死死的。美女视频看了多少秒，美食视频看了多少秒，而且每30分钟就会更新一次。有个段子这样讲的："舔狗"式聊天还不如刷抖音！因为"舔狗"聊的都是你不爱听的，刷抖音看到的都是你想看的。

系统先识别出你想看的内容，读懂我们的需求，然后在内容池里匹配你想看的内容，最后展示出来，也就是千人千面，目前很多软件都能做到千人千面。接下来进入正题，了解抖音的推荐系统，主要包括三部分：用户画像、内容画像、用户和内容之间的匹配。

1）用户画像，系统根据用户基本属性（比如：性别、年龄、学历等）、兴趣爱好（比如：科技、娱乐、体育、金融等）等数据集，然后给肪定义相关的标签。

2）内容画像，系统根据内容的层级分类、关键词、实体词等分析出特点，给各类内容打上相关的标签。

3）用户与内容匹配，有了用户标签和内容标签之后，系统根据用户画像、内容画像，在内容池里面匹配出用户喜欢的内容然后展示出来。

4）排序，系统要面对数亿级的用户和内容，同时还要考虑用户的喜欢会不断的发生改变，为了让挑选的内容更加的贴近用户想要的、更加符合用户喜欢，系统需要对内容进行排序。

作为短视频创作者，了解到这里就足够了。因为在技术层面是非常复杂的。

2、抖音平台的双重审核机制

抖音对短视频内容的审核分为：机器审核和人工审核，请参考以下流程图。

1）第一层机器审核

当我们发布短视频时，平台会对短视频内容进行第一次审核，这一层是技术检测。

首先，平台通过技术识别短视频内容的标题、视频画面、标题关键词。

然后，把识别出来的内容与平台已有的内容进行比对，如果发现内容部分重复，会进行低流量推荐，所以有的内容为什么播放量很差。

最后，如果机器检测内容大部分重复，会判定是搬运/抄袭，内容会仅粉丝、仅自己可见。

备注：有的同学可能会问，为什么有的人搬运却能通过审核？其实，抖音每天都有无数的短视频内容上传，总会有漏网之鱼的。抖音也在不断优化升级算法，识别打压抄袭搬运行为。如果你想把做抖音当成一份事业，或者是长久运营，那一定要坚持做原创优质的内容。

2）第二层人工审核

如果短视频内容通过了机器审核，则不会进入人工审核，如果机器审核不通过，则会处罚第二层人工审核，这就是为什么有时候发视频审核非常慢。

首先，人工审核主要是针对机器审核筛选出疑似违规作品进行再次审核，人工主要审核短视频标题、封面截图、还有视频内容的关键帧，人工查看内容是否符合平台规则。

然后，人工审核如果确定违规，会对账号进行处罚，比如：删除视频、降权通告，严重的会封禁账号。

3、为什么视频作品一直过不了审核？

1）所有在抖音站内发布的视频作品都要经过双重审核流程。

2）如果视频作品机器审核不过，会被机器拦截，进入人工审核，然后因为人力问题和投稿量的不断变化 ，会出现审核延迟和审核积压的情况。当视频作品出现审核中，如果没有收到违规通知的，并不是指被限流、视频内容有问题，等待审核即可。

3）视频作品正常通过审核之后，不会对后续的数据流量有影响，关键还是内容质量。

4、抖音平台推荐机制

1）推荐机制

视频过了审核之后，就会得到系统的推荐，抖音推荐是去中心化。

流量池规划、人工智能分发系统，抖音会给每一个作品提供一个流量池。不管你是大号还是小号，只要视频作品过了审核都会得到推荐，视频后期能不能爆火，都取决于这个流量池的数据表现（播放量、点赞量、评论量、转发量）。

2）抖音流量池推荐机制的8次曝光

1、首次曝光，300左右播放量

2、二次曝光，3000左右播放量

3、三次曝光，1.2~1.5W左右播放量

4、四次曝光，10~12W左右播放量

5、五次曝光，40~60W左右播放量

6、六次曝光，200~300W左右播放量

7、七次曝光，700~1100W左右播放量

8、八次曝光，3000W+播放量

5、关于作品播放率的几个核心指标

1、完播率，多少算好？

?0-10%——较低

?10%-30%—— 一般

?30%以上——较好

建议：视频时长尽量控制15-40秒、巧用热门音乐等技巧，科普类可尝试1min长视频。抖音强节奏、重音乐，每3秒需要给用户一个看下去的理由，内容不够？音乐来凑。

2、作品平均播放时长，多少算好？

?3秒以下——较低

?3-7秒—— 一般

?7-15秒——较好

?15秒以上——很好

建议：想要视频吸引人，前3秒是关键！开场即高潮，才能更抓人眼球，让粉丝带着期待坚持看完，多留悬念、反转、梗。

3、互动率，怎么计算？

?点赞率：点赞量/视频播放量*100%

?评论率：评论量/视频播放量*100%

?转发率：转发量/视频播放量*100%

多少算好？

?点赞率：5%以上

?评论率：1%以上

?转发率：0.5%以上

建议：开头和结尾的设计很关键，打造独特的"记忆点"，可以引导粉丝点赞留言。

4、吸粉率，怎么计算？

?吸粉率：视频吸粉量/视频播放量*100%

多少算好？

?1%以上

建议：保持视频发布频次和创意生产，打造有趣又有用的内容，是吸粉关键。 以上结论经过大量测试和分析，也和抖音内部同事沟通交流过，比较靠谱，可参考。（不同行业、账号、内容存在差异，非绝对标准）

如果想更深入的学习抖音短视频运营，可以找我要资料。全面系统的抖音短视频运营教程，以下内容均为本人原创，一个字一个字写出来的，累计数万字，平时用于公司内部培训。如果你是一名刚入门的短视频新人，至少要工作1年半以上才可能掌握的知识体系。

如果自己的能力不错，随时可以组团，建议你尝试下抖音创业，成立公司（工作室）做抖音代运营全套业务，这个是比较创业成本比较低，只要和客户确定合作签约，就能收到80%的预付款。

以下我是做代运营总结的全套资料，已经累计谈下几十家合作企业，涉及十几个行业。

有很多同学可能自己买了很多课，上课的时候是听明白了、觉得自己学会了，但是在工作中真正操作起来全是问题。

学了很多知识，为什么还是做不好呢？因为没有人帮助你把知识落地，把别人的知识经验真正变成自己的，如果你也有同样的困惑，可以找我一对一咨询指导，解决你工作中的问题，也希望和你交个朋友，一起进步。

我结合了自己的直播操盘经验和行业案例，写下这一套《抖音直播带货系统教程》，累计十几万字，原创内容。

这绝对是你在市面上要花1-2个W才能学习到的内容，看过的人都会觉得超值，适合有以下需求的人学习：

1.正在从0开始做直播带货的商家或达人

2.自有供应链想做直播带货，但不知道怎么开始

3.看别人的直播做得很好，自己却不知道如何改进

4.正在从事直播运营，想系统学习提升自己的能力

5.个人面临职业转型，想抓住直播带货的流量风口

6.单场GMV在100W以下的，想突破直播业绩的

目前已经有不少人入手了，返场都很好，干货满满，欢迎来撩！

不少小伙伴会说：”抖音这个机制算法啊，我一直搞不懂，所以我短视频没做明白“

其实，抖音算法，最基础的就像123456，你去学数学最先要知道的，其次才是拔高的地方，你应该对这个东西是烂熟于心的，就是这些基本的规则跟玩法你要知道。

接下来呢，我将从3个方面，来帮助大家了解抖音算法究竟是什么样的。

抖音播放推荐量的阶梯机制是什么样的呢？大家可以先看这张图

在初期，你刚发布视频，会有200~500的流量，然后随着用户的反馈数据来判断是推向更大的流量池，还是中断推送。

但很多人在做运营的时候，有一个想不明白的点：

明明抖音官方说，不管有没有粉丝，视频发出来都会有200~500个初始播放，那为什么我的播放量只有几十啊？难道说系统没有给我推荐200~500个人吗？

其实并不是这个问题。

抖音官方在直播的时候已经有给出了非常明确的回复，

说白了，就是一个新的账号视频发出去，他一定会把你的视频给到200~500个人看，

但这200~500人当中，只有一小部分人会在你的视频上停留足够的时间，而能够停留足够长时间的这一部分的播放，才是你在后台看到的播放，它叫另外一个名字——有效播放量。

举一个例子你就明白了

你要卖玩具，你来到了一个公园，来来回回有500多人。

但只有30个人留下来跟你聊了聊，说你这个玩具怎么玩啊，这个玩具多少钱啊。

那么对于你来说，虽然走过路过的有500个人，但只有这30个人才叫有效用户。

放在视频里也是一样的，虽然初始系统给了我200~500的人流量，但是实际上的有效播放量可能只有30，甚至更少。

抖音的叠加算法，依次为

首次分发——智能分发 ；
二次分发——数据加权 ；
三次分发——叠加推荐 。

（1）首次分发——200~500流量阶段

就是根据你的内容标签匹配分发给有该兴趣标签的人群，

在我们可能80万播放量以下的时候，话题标签还是很重要，一定要重视。

（2）二次分发——1K~5k流量阶段

完播率、点赞率、评论率和转发率，都还不错的话，就会进入二级流量池

具体的标准是：3.5%以上的点赞比和0.35%以上的评论比，以及45%的5s完播率，平台会进行下一级推荐。

举个例子，1000的浏览量，有35个赞，3~4条评论，有450个人看完了前5秒的视频。你的这个视频进入下一轮的推荐，到1000~5000的这样一个流量池。

在这里有一个小技巧：可能说有的小伙伴1000浏览量的视频有40~50的赞同，评论只有1~2条，你就再写他个3条，对不对

如果不知道写什么，就去网易云找一首自己喜欢的音乐，然后看评论，找那种高赞评论，你改改看看能不能放到你那个里面去用。

这样，你就能手动的把视频往前做一次分发

（3）三次分发——叠加推荐

只要二次分发的数据表现的好，就会开始指数级叠加分发，也会进入播放增长的这样一个快车道。

说白了，就是这个播放量一直往前跑啊一直往前跑，你会发现一条视频疯狂的在涨赞，涨粉，涨评论，涨转发。

在80万这个流量池以下的时候，精准标签还是很重要的，一旦突破了80万的这个流量，那个时候标签就不是那么重要了，平台就会就进行全网推荐

就是在抖音推荐页刷视频，你会刷到很多你之前没有关注过，没有点赞过的领域。

是因为这个视频已经去标签化了，开始不仅仅在这种视频的用户群体里面去传播了。反而突破了界限给到更多的人看了，就是到了全网热门的这样一个爆款视频。

（1）为什么你的内容播放量低？

在账号初期，你发的第一条视频，系统还不知道你的视频是发给谁看的，他就会给你做一些随机的推荐。

就比如你是做大学生成长的，你想把视频推送给大学生，或喜欢学习的这部分群体。但刚开始，你的标签，系统是不知道的，系统只能随机的去做一个推送。

你的目标用户是16~30这部分年轻群体，但系统可能推送的一些小朋友，或者一些中年人。他们可能是爱看影视的，爱看动漫的，爱看搞笑段子的，然后看到你大学生成长的视频， 就直接划走了。

这就相当于说你在卖玩具的时候，过来很多大老爷们，人家看都不看，更不会在你的后台形成有效的播放量。

所以说在初期，没有精准标签的时候，内容的播放量，普遍都会比较低。

但你保持内容属于垂直的前提下，坚持发布高质量的视频，系统就会给你打上精准的标签，下次推送的时候会更加精准

（2）为什么你的视频走着走着，播放量就不涨了？

你看抖音推送的流量机制，分为200~500，3000~5000，1万到2万，10万到15万，30万到80万……

有时候，你会发现，这个视频走着走着，他就停留在了5万的播放量，然后不动了，为什么？

其实是这样的，你的视频突破了初始的流量池，但并没有突破到更大的流量池里

就比如说，你在一个在县城，所有人都说你厉害，你就是Number One。但把你再往上提一个级别到地级市，你还是Number One吗？不是的，你可能是前100，然后再把你往上提，你到了北上广，你可能连前100都进不了，你到了前1000。

那么你就没有办法继续往上晋升了，你就只停留在了地级市或者县城。

同理，这就是你的视频，他的播放量为什么会卡某一个点上，就是你视频的数据反馈，不足以让你到一个更大的流量池里。

遇到这种情况，大家就不用一直盯着那个视频看了，继续更新就好。

（3）正确的起号过程是什么样的？

是一开始发视频，就千赞，万赞吗？并不是的

那些已经做号很厉害的博主和mcn机构，他们最初在做号的时候，也是十几个赞，几十个赞啊这样子，可能20个作品中，突然有一条视频爆了，然后慢慢的，做出了千赞，做出来万赞。

后面慢慢的找到了做账号的窍门，粉丝数也涨起来了，到后面他的数据开始变得越来越好

整个起号的过程一定是这样子的。

如果看到这里，你对抖音的流量机制还是有很多困惑，或者还想了解更多短视频的玩法，推荐大家找个老师带一带，你有问题可以针对性的给你解答，这可比你自己反反复复试错强多了。

最近我看到”全媒体运营官训练营“这门宝藏课程，

里面的主讲老师都是做运营的一线大佬，课程也很全面，包括平台运营，还包括内容运营、粉丝运营等

而体验好的话，可以再报正课，正课内容丰富，还可以通过考试，获得国家广播电视总局广播影视人才交流中心颁发的，「全媒体运营师岗位合格证书」和「知乎颁发的全媒体运营师培训结课证书」，这么好的机会，还不赶快把握住吗？

所谓双重审核就是机器审核和人工审核

机器审核主要看3点：

看你的内容（文案、场景）有没有搬运，如果跟别人的作品重复相似的话，就会进行低流量推荐。
看你的视频是单纯分享还是在搞营销，如果是在发广告搞营销，会直接把你的视频拦截。
看你是视频是否涉及到政治和黄赌毒和广告违禁词，凡是违背我们宪法，法律法规的东西都会被拦截。

人工审核是干嘛呢？

如果说你的作品之前被机器审核出来，有过违规行为了，然后你改了改，发了改还是没有通过，这个时候人工会过来再去做逐个做细致的审查。

人工审核的变数就比较大了，可能在一天当中，有不同的人对你的作品进行审核，他对你视频的评判标准也是不一样的。就比如你的视频跑的好好的，突然停掉了，很可能是背后换了人工审核，他发现了之前人工没有注意到的问题。上去就把你拦截了。

提高视频审核成功率的小建议：

减少画面复杂度，越简单越好，最好是固定场景，账号画面各个方面都保持简单

抖音智能推荐播放量的4个权重，是完播率、评论率、转发率、点赞率。

这是我们说视频能不能进行多次分发很重要的一个点。

我们为什么说你在县城你是Number One,，然后到地级市你前100，然后到北上广的时候，你就变成了前1000了。

为什么？

抖音会通过完播率、评论率、转发率、点赞率这4个核心要素，来决定你的视频是否能够进入更高的流量池。

完播率的权重最大，其次是评论率、转发率和点赞率。

包括大家可能还关心复播率、关注率啊等等这些东西。不过复播率和关注率，跟账号涨粉和系统“挖坟”有关，跟叠加推荐机制的影响不会很大。

（1）视频控制在15秒——45秒

你可能会看到说，我看人家发布一分钟啊，发布几分钟的视频也很好看。但是你初期发的时候，数据通常很差。

抖音平台有过统计，用户停留时间最长，或者说数据最好的，30秒以内视频，它的占比是最高的。这也是为什么鼓励大家要去做一个45秒以内的视频。

（2）引导读者看到最后

① 开头告诉读者看这个视频的价值。

如：

”掌握这个学习方法，助你逆袭到985院校 ”；
”今天分享给你八个方法，让你学习比玩手机还有精神 ”。

② 激发读者的好奇心，引导他看到最后

如：

“原谅我看到46秒的时候绷不住了”；
“看到最后有惊喜，有彩蛋”；
“倒数第二条最重要”；
“36秒处有猛料”

这样的话，很多人就会好奇，你之后会讲什么，然后坚持看完你的视频

你在刷视频的时候，应该也刷到过类似的引导文案，你可能觉得，这都烂大街了，但是，你会发现人家用完之后数据真的很好，啊既然好用，那么我们也可以用，然后再去优化就可以了。

（1） 在视频最后，引导读者在评论区互动

比如：

“你还有什么更好的学习方法，欢迎在评论区留言”；
“这几个学习工具，你最喜欢哪一个，在评论区告诉我”；
“这3个景点，你最想去哪一个呢？快在评论区@你的小伙伴一起吧”。

（2）积极回复读者的留言

一旦有读者评论，我们就可以积极的去回复，一方面可以增加系统的推荐，另一方面也可以激发其他用户的评论欲望。

（3）找身边的朋友帮忙多写几条

可以对标爆款视频的神评，也可以在网易云音乐的高赞评论里，摘几句出来，放在自己的评论区。

转发呢一般不太好去引导，主要可以在内容质量方面下功夫。

比如说输出一些干货，增加信息密度，戳中大众的痛点需求，用户一看，觉得这个视频很有用，然后他可能就会保存下来，转发到朋友圈。

再就是就输出一些有社交价值的内容，可以是很多人都讨论和关注的一个热点事件，这样就会有一种分享的冲动，这类视频的转发率也会很高。

另一方面，你可以在视频中说：“如果你觉得这个视频有帮助，请转发给身边有需要的朋友”

如果说你的视频特别有价值，比如，有干货；好玩有趣；戳泪点；有特点。那么大家也会点这个小星星，因为点小星星的话，大家已经养成一个习惯了。

在这个基础上，也可以引导读者点赞

比如：

“一定要收藏打卡，看完有收获给我个赞”；
“如果喜欢我的视频的话，记得给我点赞收藏关注我哟”；
“这是我平时都不舍得分享的内容，还不点赞支持我一下吗？”

1、想获得持续推荐，最根本的还是要保证视频的质量

虽然初期，流量会比较少，可能说，你发布了5条高质量的视频，都是只有500多的播放，就跑不动了

但很有可能在你做到第15条视频的时候，也就是你的标签慢慢精准了以后，有一条视频突然爆了，更多喜欢你的人点赞了你的视频，他们到你的主页，看了看你原来的视频，觉得你之前做的视频也蛮有意思的，

噢，发现，原来你是个宝藏女孩，是一个宝藏男孩，就选择关注你了，并且之前那些已经死了不动的视频数据也会有所增长。

相反，如果你之前的视频质量很差，偶尔有一条靠运气爆了，用户点开你的主页，看了看你之前的视频，不是很好的话，就直接划走了，不仅留不下粉丝，之前视频的数据也不会有什么增长。

所以呀，想获得更好的流量，就要争取把视频做到最好，给用户给平台带去价值。

2、学会分析爆款视频，取其精华，为我所用

之前我们说过，80万以下的，你不是这个领域你刷不到，当你的视频突破80万播放的时候，是去标签化的，也就是说会全网推荐，就很有可能通过推荐页来到你的这个短视频上。

你就看各个领域的视频，只要他点赞很高，你都要去看一看他怎么玩的，然后再看他讲的什么事情。分析为什么能够火，他爆款的底层逻辑是什么？

多分析分析，把分析出来可以借鉴的点，用在自己的视频创作中

不断保持这样的学习态度，相信你的运营短视频的成长速度也会很快。

其实了解短视频推荐机制只是做好短视频运营的的基础

你还需要了解

热点爆款的变现逻辑；
目标用户画像和头部账号打造；
数据分析和持续增长的运营。

这些基础都是短视频运营中必备的，如果说你对这些都不了解，或者认知不到，是很难把短视频做好的。

不妨先系统完整的学习一下短视频相关的专业知识，再去运营账号，毕竟磨刀不误砍柴工嘛！只有先保证方法认知是对的，一步一步才是向前走的，否则徒劳无功。

推荐大家去看看知乎知学堂出品《全媒体训练营》

这个课程，特邀一线互联网大厂资深内容制作人，直播分享亿万量级流量操盘经验，拆解主流媒体平台如抖音、B 站、小红书等平台的玩法，从P人设打造，爆熟内容制作涨粉，到带货变现全流程还原！帮你构建完整的全媒体知识体系。

这样一个流程学下来，可以大幅度的提升你做短视频的综合实力。

3000 字把抖音阅读量暴涨的原理讲清楚：算法是基础。答主是做抖音矩阵的，以前也是做了很多卡在 500 阅读量的账号。后来测试出了算法规律，现在基本都能达到每天 10w 左右的播放量。并且增长的趋势是相当不错的。这也为直播带货提供了稳定的流量保障。那这个流量到底是怎么上去的呢？

因为一直研究各大平台算法，这种情况基本可以很明确告诉你：
如果你的号一直在 500 个左右的播放，你这个号很可能已经「死号」了！

那么什么是「死号」呢？为什么「死号」之后还有流量，但又不超过 500？

且听答主细细说来：

首先抖音每天都有几千万甚至上亿人发表视频，不可能是人工一个个审核，一定是机器先审核第一关的。

所以我们常说的【原创】，是机器认为的原创，而不是人工理解的原创。

换句话说，你如果是从别的平台下载的视频，那大概率会被认为是抄袭，而不是原创。

有些人直接下载抖音平台的视频发抖音，甚至水印都不去那就更过分了，那种别说 500 播放，50 都没有。

今天我们说的，当然是纯粹原创的情况下，依然流量不大的原因。

现在系统会随机抽取你视频中的几个画面+封面+背景音乐+标签做综合分析，并且在认为你可能是原创的情况下，还会对你的视频质量、视频热区命中程度进行分析，最后才进入人工审核加量通道。

其中
【视频质量】
指的是尺寸、清晰度、视频主题等等，这些直接影响着用户体验，所以非常重要；

【视频热区】
指的是周期性用户大数据对某一类视频的喜爱，只要抓住这一块也会有大量流量。这就是为什么很多跟拍热度的视频也会获得不少流量的主要原因。

下面我们模拟一下机器都短视频的推荐流程：

第一步：抽帧检查，对比全网视频库

这就是刚刚说的，会随机抽取你视频的几个画面，对画面的文字、图像内容进行识别、归类、打标签，再跟系统里已经整理分类好的标签进行对比，看看你是属于哪一类视频、重合度高不高。

第二步：检测原创

如果上一步检查中你的检测结果为与全网其他作品重合度超过 70%，则很有可能被判定为抄袭或者搬运，这时候会直接进入不推荐的通道。

这时候只有你的粉丝或者一些跟你关系比较好经常刷你视频的人才能刷到，系统是不会给你额外的推荐量的。

而如果你的视频符合原创标准，则会进入下一步。

如果你的视频经常被判定为非原创，甚至经常被认为是搬运别人的内容，那么你后面就会被打上「抄袭者」标签，会被限流，后面你即便作品很好也很难有比较高的流量和推荐。

这种情况我们就理解为「死号」了。

一般处理死号的做法就是解绑手机或者注销账号重新注册一个，运营新账号。

新账号运营的时候，一定要注意相关规则，多发布原创是最好的「养号方法」。

第三步：检测质量

平台都很注重用户体验，所以你的视频质量直接关系到用户体验。

试想：如果你的视频比较模糊、内容逻辑混乱不知所云，或者尺寸让用户很不习惯，甚至有些字都看不到，如果系统给你推荐了，是不是会让这些用户感到糟心？

这样久而久之用户就会抛弃这个平台。

平台是万万不会做这种傻事的。

所以为了防止这种事情发生，平台直接不给你这种作品推荐就完事了。

第四步：对比热区

这是最关键的一步。

很多人说：
视频是原创的，也很清晰，但是为什么也就才 500 播放量？

其实核心问题点就在这一步。

因为用户喜欢什么样的视频，对平台来讲有一个「群体数据」，也就是今天大家都喜欢刷什么视频，明天大家喜欢刷什么视频，这是不固定的，他会像股票一样浮动。

因为，读透用户心理的平台，会利用大数据提前更新定义每一天的用户热区，也就是大部分人喜欢的内容，并且规避一些有可能违规违法的内容之后，把原创高质量的视频放到这里来。

这时候平台会根据不同的类目进行推荐分发。

第五步：阶梯推荐和人工审核

随后每一个被推荐的视频都会获得 1000 的初始推荐；
如果你的初始推荐数据反馈比较好，这些人有超过 25% 喜欢点赞转发你这个视频，那么你会进入下一级 3000 个推荐，以此类推……

一般到一定量后就有人工审核了，所以你的视频如果真的有水平，到了人工这一步就会被进一步验证了。

反之，如果你的视频有问题，比如视频里有人抽烟喝酒打架之类的，在人工这一步会被直接掐断推荐，还会被处罚。

所以要想有流量，你需要努力创作。
有了流量还要避免各种违规。
这里面都是平台的规则，因此你要想真正玩好短视频，就一定要熟知平台规则。

这个规则有公开的，也有不一定公开的。公开的是处罚，是一条线，不公开的是奖励，上不封顶。

知乎官方最近组织了一些互联网大厂高管和大项目负责人开发了一个《全媒体训练营》，训练营里就讲到各大平台的玩法，甚至还有用户数据分析+爆款打造+带货链路等等，建议大家都可以去看看，这是训练营的入口：

了解平台规则之后，我们才能从根本上去分析自己的作品「好在哪里」、「不好在哪里」、「怎么重新确定自己的方向」等等。

如果你的视频一直卡在 500 阅读量上不去，一定是对平台规则不了解。除了我们今天讲到的一些技巧之外，我们还要通过整个系统化的知识去梳理，才能真正找到源头问题。想要梳理整个流程，光学答主说的捷径是不够的，还是要知乎知学堂的全媒体训练营做一个系统化的专业学习。

那么有没有一条捷径可以快速突破 500-3000 阅读量呢？

当然有！

就是根据上面说的【视频热区】，我们只需要迅速切中热区，就能快速突破 500-3000 的流量瓶颈。

方法先告诉大家两个

第一种 找到视频热榜排行中你擅长的类别，直接用别人的模板跟拍

这个刷到很多人给出了这个教程，自己也试过，确实有效。

当然，这个效果也不会特别好，可能就是几千的量；

第二种 用你擅长的领域关键词搜索相关视频，模仿别人

从标题到内容，你都去模仿排名比较靠前的那几个视频

这样是非常容易有流量

不过这里要注意： 容易有流量并不代表百分之百有流量，可能因为你模仿不到位或者没有拆解核心的内容而导致没流量。

所以尽快突破门槛的方法就是按照给的这个策略，多做几个，多测几个方向，这样拿到流量的概率就高很多，你自然就能总结出其中的规律。

这个规律并不是一成不变的，不同行业的规律可能不一样，不同时间也可能会有不同的规则。

如果我们能够掌握规律并且利用规律，我们就会发现，流量来得简直不要太容易！

总结

我们今天针对「视频播放量一直无法突破 500」这个问题，讲了一个系统化的做法。按照这个做法真正领悟吃透，其实能够拿到的流量肯定远远不止 500 个了。

关键是要去做，不能每次都是那么多人收藏了，结果就在收藏夹吃灰了。

想要系统化地学习全媒体运营，可以去参加知乎知学堂的训练营，点这里：

原文作者：田中水滴