抖音作品折解：抖音里衡量一个作品首先是什么,其次就是什么和什么

抖音如此火爆，背后的功臣肯定少不了算法。

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。

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*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。

那么，该如何利用好抖音的算法呢？

1利用好流量池

如前所述，抖音给每一个作品都提供了一个流量池，无论你是不是大号、作品质量如何。你之后的传播效果，就取决于你的作品在这个流量池里的表现。

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*完。

2叠加推荐

我们自己能发动的力量毕竟有限，因此，当作品被推广到更大的范围以后，就不是我们能人工干预的了。这时，我们该如何提升关键的 4个指标呢？

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“挖坟”，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。

3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*，于是大概率后面的内容也是长腿*。

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*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。

那么如何基于用户行为数据，如何建立一个基于事件网络结构的推荐算法模型？给用户的推荐路径可以理解为基于事件网络的随机游走。可以参考pagerank，AP等图模型算法。

4隐秘的上瘾机制

作为一个爆红的*性产品，上瘾的设计是必不可少的。过年有段时间在家，一有空闲时间便手残般的刷抖音的首屏推荐。