详细的做法我会在后面提到,这里先简单说一点,启发一下你的思路。比如说,既然评论量很重要,那你在写视频的标题文案时,是不是应该考虑设置一些互动问题,引导用户留言评论呢?
我们发现,有些视频拍出来之后没火,过几天、过一个星期,甚至过了个把月之后,这个视频却突然火了。所以这个
推荐算法其实还是很有意思,它会,带火一些优质的老视频。所以你比较看好的一些视频,即使它一开始没火,你也要持续去给它去做一些点赞评论,通过
朋友圈去转发一下。他有可能这个星期没有被推荐,但下个星期有可能就会被推荐。
不对用户做任何假设
关于
抖音首页的推荐算法,也可以拿出来一说,从内容逻辑来观察,抖音推荐算法最大程度保留了新鲜度。抖音首页采用的是基于用户行为的推荐。
一种推荐方法是基于视频和文本内容提取特征,并与
用户画像特征计算相似度,相似度越高,推荐概率越大。这种推荐的方法弊端是推荐内容缺乏新鲜度,用户点击看长腿美女,于是大概率后面的内容也是长腿美女。
另外一种推荐方法是纯粹基于用户行为数据。这种方法不对用户偏好做任何假设,不对内容文本做
特征提取。从个人经验来谈,特征工程是双面利器,实际情况是,特征工程常常无法挖掘出内容(视频、音频or 文本)潜在意图和特性。从信息
熵增原理来理解,世界的不确定性总是朝增大的方向发展。特征提取会把人为的主观偏见引入模型。最好的假设是不做任何假设。
本回答被网友采纳