我注册了某音帐号之后。。。(内涵推荐算法)

技术分享 2年前 (2022-06-05) 0 999+

写在前面

某音作为风靡中外的一款音乐创意短视频社交软件，其成功性不言而喻，一直听说其强大的“威力”，但却从没深入研究过，作为人民的先锋队，这怎么行，毅然决然的我，在上周五注册了一个账号，但没想到的是等待我的确是一条不归路~（以下内容纯属个人经历与个人看法，没有任何代表性，图一乐呵儿）

一个视频在发出后要面临什么？

初入抖音的我很快就被它背后神奇的推荐算法，引流手段，DOU+上热门计划深深的吸引住了。

抱着试试看的态度，我尝试发了我第一个视频。在发之前我也是四处取经，怎么写文案，怎么配背景音乐，怎么找和文案有呼应的视频和照片。

最后在我高超的视频剪辑技术之下（也就废了刷五六道算法题的时间），终于把它发出去了。

了解到，抖音平台对每一个视频是有系统推荐的基础流量的（这里考虑到新用户首个视频的特殊性，这里从第二个视频开始分析）。

短视频发布后抖音一般会进行的一系列推荐流程。

如果从技术层面去分析的话，那是相当复杂的，涉及很多数学层面的知识，但我始终相信，一切知识都是简洁的。

所以我们何不以问题为导向，如果说你是某一鸣，可能的未来首富，你会如何去留住某音平台的创作者与用户们？

打分算法

在我把我的这个视频发出去之后，就开始了焦急的等待，人嘛，嘴上说着我不在乎，其实心里都希望获得一种认同感的。

看到有人观看点赞自己的作品，心里不开心是假的，真正做到宠辱不惊，不以物喜不以己悲，那也是看得多了，习惯了而已。

很快，距离我发布这个作品马上到一个小时了，但观看数据仍然是没有什么变化的，大约在1~2个小时之后，数据出现断崖式的增长，这说明平台开始给你引流了。

而这一套引流的机制，要看四个标准：点赞量、评论量、转发量、完播率。

也就是在这个阶段你作品的质量就会打上一个又一个的标签，最后得到一个综合得分，来决定该作品的曝光率，而且这种曝光是层层递进的，上个阶段的总分决定你下个阶段的曝光率，当然如果你在第一个阶段的效果就不行，那也就不需要第二阶段了。

即播放量=A×完播率+B×点赞率+C×评论率+D×转发率

看了我视频的播放量，原来我连第一阶段都算不上，这可太惨了。

这一两百的播放，还是我冒着被围观社死的风险，分享到了我那些相亲相爱的一家人的群里，结果，果然被围观了。（不过，也让我明白一个道理，这世界上能永远无私对你好的只有你的父母，他们会在你的每一个作品下点赞，赞美天下父母）。

DOU+上播放量

如果说，要我说谁是这个世界上最大的大怨种，那这个人就是我（我自以为）。

来到这世上二十几载岁月，从没有让任何一个平台从我身上割下一把韭菜的我，被割了一把。

看到这个作品鹤立鸡群的播放量没，这是我花了30大洋送上去的。

结果投放质量不好，还被嘲讽了一波，也是属实扎心了。

一个简单的推荐算法实例

网上这种例子很多，这里给大家找了一个。

python实现协同过滤推荐算法完整代码示例： https://www.jb51.net/article/130674.htm

#!/usr/bin/python3 # -*- coding: utf-8 -*- from numpy import * import time from texttable import Texttable class CF:   def __init__(self, movies, ratings, k=5, n=10):     self.movies = movies     self.ratings = ratings     # 邻居个数     self.k = k     # 推荐个数     self.n = n     # 用户对电影的评分     # 数据格式{'UserID：用户ID':[(MovieID：电影ID,Rating：用户对电影的评星)]}     self.userDict = {}     # 对某电影评分的用户     # 数据格式：{'MovieID：电影ID',[UserID：用户ID]}     # {'1',[1,2,3..],...}     self.ItemUser = {}     # 邻居的信息     self.neighbors = []     # 推荐列表     self.recommandList = []     self.cost = 0.0     # 基于用户的推荐   # 根据对电影的评分计算用户之间的相似度   def recommendByUser(self, userId):     self.formatRate()     # 推荐个数 等于 本身评分电影个数，用户计算准确率     self.n = len(self.userDict[userId])     self.getNearestNeighbor(userId)     self.getrecommandList(userId)     self.getPrecision(userId)     # 获取推荐列表   def getrecommandList(self, userId):     self.recommandList = []     # 建立推荐字典     recommandDict = {}     for neighbor in self.neighbors:       movies = self.userDict[neighbor[1]]       for movie in movies:         if(movie[0] in recommandDict):           recommandDict[movie[0]] += neighbor[0]         else:           recommandDict[movie[0]] = neighbor[0]       # 建立推荐列表     for key in recommandDict:       self.recommandList.append([recommandDict[key], key])     self.recommandList.sort(reverse=True)     self.recommandList = self.recommandList[:self.n]     # 将ratings转换为userDict和ItemUser   def formatRate(self):     self.userDict = {}     self.ItemUser = {}     for i in self.ratings:       # 评分最高为5 除以5 进行数据归一化       temp = (i[1], float(i[2]) / 5)       # 计算userDict {'1':[(1,5),(2,5)...],'2':[...]...}       if(i[0] in self.userDict):         self.userDict[i[0]].append(temp)       else:         self.userDict[i[0]] = [temp]       # 计算ItemUser {'1',[1,2,3..],...}       if(i[1] in self.ItemUser):         self.ItemUser[i[1]].append(i[0])       else:         self.ItemUser[i[1]] = [i[0]]     # 找到某用户的相邻用户   def getNearestNeighbor(self, userId):     neighbors = []     self.neighbors = []     # 获取userId评分的电影都有那些用户也评过分     for i in self.userDict[userId]:       for j in self.ItemUser[i[0]]:         if(j != userId and j not in neighbors):           neighbors.append(j)     # 计算这些用户与userId的相似度并排序     for i in neighbors:       dist = self.getCost(userId, i)       self.neighbors.append([dist, i])     # 排序默认是升序，reverse=True表示降序     self.neighbors.sort(reverse=True)     self.neighbors = self.neighbors[:self.k]     # 格式化userDict数据   def formatuserDict(self, userId, l):     user = {}     for i in self.userDict[userId]:       user[i[0]] = [i[1], 0]     for j in self.userDict[l]:       if(j[0] not in user):         user[j[0]] = [0, j[1]]       else:         user[j[0]][1] = j[1]     return user     # 计算余弦距离   def getCost(self, userId, l):     # 获取用户userId和l评分电影的并集     # {'电影ID'：[userId的评分，l的评分]} 没有评分为0     user = self.formatuserDict(userId, l)     x = 0.0     y = 0.0     z = 0.0     for k, v in user.items():       x += float(v[0]) * float(v[0])       y += float(v[1]) * float(v[1])       z += float(v[0]) * float(v[1])     if(z == 0.0):       return 0     return z / sqrt(x * y)     # 推荐的准确率   def getPrecision(self, userId):     user = [i[0] for i in self.userDict[userId]]     recommand = [i[1] for i in self.recommandList]     count = 0.0     if(len(user) >= len(recommand)):       for i in recommand:         if(i in user):           count += 1.0       self.cost = count / len(recommand)     else:       for i in user:         if(i in recommand):           count += 1.0       self.cost = count / len(user)     # 显示推荐列表   def showTable(self):     neighbors_id = [i[1] for i in self.neighbors]     table = Texttable()     table.set_deco(Texttable.HEADER)     table.set_cols_dtype(["t", "t", "t", "t"])     table.set_cols_align(["l", "l", "l", "l"])     rows = []     rows.append([u"movie ID", u"Name", u"release", u"from userID"])     for item in self.recommandList:       fromID = []       for i in self.movies:         if i[0] == item[1]:           movie = i           break       for i in self.ItemUser[item[1]]:         if i in neighbors_id:           fromID.append(i)       movie.append(fromID)       rows.append(movie)     table.add_rows(rows)     print(table.draw()) # 获取数据 def readFile(filename):   files = open(filename, "r", encoding="utf-8")   # 如果读取不成功试一下   # files = open(filename, "r", encoding="iso-8859-15")   data = []   for line in files.readlines():     item = line.strip().split("::")     data.append(item)   return data   # -------------------------开始------------------------------- start = time.clock() movies = readFile("/home/hadoop/Python/CF/movies.dat") ratings = readFile("/home/hadoop/Python/CF/ratings.dat") demo = CF(movies, ratings, k=20) demo.recommendByUser("100") print("推荐列表为：") demo.showTable() print("处理的数据为%d条" % (len(demo.ratings))) print("准确率： %.2f %%" % (demo.cost * 100)) end = time.clock() print("耗费时间： %f s" % (end - start))