抖音短视频平台视频模式研究.pdfVIP

抖音短视频平台视频模式研究

一、基于用户信息的基本协同过滤

基于用户信息的基本协同过滤是抖音整个算法体系中最基础

和最简洁的算法，也是在视频推广过程中普遍应用的算法。抖音通过

猎取用户注册时的基本信息，如性别、年龄、地址和基本爱好点，对

用户的画像有了大致的描绘。其后，在信息分发过程中，抖音通过考

虑用户之间的相像程度进行相像内容的推举。当用户开头接触平台，

且所供应的信息越具体或越精确，其对用户需求的推断越接近

用户的真实需要。我们可以构建如下推举模式模型。

假如A、B、C、D的基本信息较为相像，则前期在A、B、C共

同感爱好的内容或产生点赞、评论、转发等使用行为的内容会较为优

先推举给D。比如，抖音的主界面分为同城和推举两个模块，推举模

块一个重要的原则就是视频内容和用户爱好的匹配程度。匹配程度越

高的信息越能够被推举。通常，在平台用户的初期使用阶段，此种猎

取方式最为主要，这种相对简洁的算法推举原则对于用户详细爱好的

推断是相对模糊的，更多的是相像特征人群的爱好集合推断。可以说，

不断扩大的用户数量和使用行为为这类基础算法供应了数据源，通过

海量数据的收集与分析，这类算法的精准程度会不断提升。与快手等

其他视频应用不同，抖音用户较为集中在城市，用户的学历和年龄差

距相对较小，媒介素养也较为相像，而这也是这类基础算法较为适用

1

的重要缘由。

二、基于二、基于去中心化的精准推送

社交媒体最重要的原则就是社交媒体最重要的原则就是去中心化，，把关人的作用渐渐

弱化，每个用户都是传播场域中的节点，每个节点都可以独立地生产

内容，拥有肯定的话语权，内容并非集中于少数的关键用户。在这种内容并非集中于少数的关键用户。在这种

去中心化的精准推送中，内容和社交关系成为被抓取作为信息精准

分发的主要依据。我们可以通过用户个人的视角构建如下信息获得模

型。

这一类的精准算法可以分为两大类：一类是以内容爱好点为筛

选维度的推举，这个维度下，现实社交环境中的联系较弱，甚至没有

联系；另一类是以社交强联系为筛选维度的推举，在通讯录中的好友、

同学都会成为推举所抓取的对象。重合部分往往会获得较多的推举。

内容维度可以理解为以相同的职业、爱好、话题组成的相近爱

好的集合。平台基于用户使用行为的习惯，诸如点赞、评论、转发等

行为，通过数据驱动的方式挖掘用户的爱好点，从而在下一轮的视频

推举中合理选择，进一步取悦用户，增加黏度。

社交关系维度可以理解为以现实的社交关系为连接的集合。这

类关系基于社交关系的联系程度从而变得更强。每个人的社交圈都随

着移动互联技术的进步而不断扩大，但是，用户本身和现实社交中好

友或同学的关注点相像性不高。正是基于这种算法推举，用户在抖音

的使用过程中通常会看到通讯录好友发布的内容，由于平台通过算法

也优先推举强关系的好友发布的内容。这反映出短视频平台重要的社

2

交属性，通过自己拍摄视频在强关系中的展现，能够满意使用者的需

要，增加认同感和满意被别人了解的社交需求。

三、基于三、基于流量池的叠加推举

与算法的讨论日益成为热点类似，流量池也是近段时间以来频

繁消失的热门词汇。此前，在新媒体讨论领域里，流量思维是较为集

中的讨论热点，甚至有学者指出，中的讨论热点，甚至有学者指出，得流量者得天下。流量池思维则

是要猎取流量并通过存储、运营和发掘等手段，进行信息的再传播，

以期获得更多的流量。流量思维和流量池思维最大的区分就是流量猎

取之后的下一步社会行为，后者更强调如何用一批老用户找到更多新

的用户，而流量思维更多的是首轮传播的效果评价。通常来讲，在内

容流量池表现较好的视频内容往往会进入叠加推举的行列，从而获得

更多的阅读量和点赞。叠加推举是以内容的综合权重做评估标准，综

合权重的关键指标有完播率、点赞量、评论量、转发量，且每个元素

所具有的影响权重又互不相同，当达到肯定量级，平台就会以大数据

算法和人工运营相结合的机制进行不断的推举。比如，当用户发布一

条视频时，平台会自动将其安排到一个流量池当中，分发到肯定数量

级的用户的推举界面，然后通过统计该视频的播放效果，形成一个加

权分数，转发量、评论量、