推荐去中心化

个性化推荐系统简单来说是一个将user和item进行匹配的一个系统。个性化推荐系统主要包括召回、排序两个典型模块：召回是指根据用户信息和历史行为，从内容池中获取与之相匹配的部分内容（item）；排序是指根据用户、内容的特征，通过模型预估出内容的点击率情况。

一般来说，个性化推荐系统的召回主要有：标签召回（用户、内容打标签）、协同召回、热度召回（根据行为计算出来的内容）等，排序模型主要有lr、fm、gbdt、NN网络等。在现实的情况下为了强调个性化，往往过度通过用户的行为来计算召回、排序，这样就会导致一个严重的问题——头部内容集中。问题表现主要分两个阶段：

1、马太效应：头部内容获得了大量的推荐（流量），而腰部、尾部的内容只获取到了少量的流量甚至无法获取流量，并且这种情况随着时间会越来越明显（强者更强、弱者更弱）。

2、信息茧房：从用户角度出发，某个人看到的内容始终是那些品类，类似原地打转。

为了减轻上面说的两种情况，一般会通过算法策略来控制流量的分发——去中心化。接下来我们看下抖音算法逻辑

 

抖音算法是非常有魅力的，而使其产生魅力的是抖音的流量分配是去中心化。抖音的推荐算法逻辑可以分为三部分：

抖音与其他互联网产品的中心化流量分配不同，它是去中心化流量分配机制（微博就是中心化流量分配，刚开通微博的粉丝是没有人关注的，而抖音即使是0粉丝，发布的任何小视频都能分配几十甚至上百的流量）。为了确保内容的多样性，针对每个内容都会预分配一定的流量，从1-200到500到1000阶梯型给流量，根据权重判定给你流量大小，权重越高，内容获取的曝光越高。主要包括：

1、小权重：完播率、重复率；

2、中权重：点赞、转发、评论量...；

3、大权重：热门音乐、挑战话题...；

具体如下：

抖音对于一个新的内容，先对其审核，通过后根据内容属性（标签...）进行一定量的试分发（1-200）；如果其播完率和重复率超过一定的数量，算法就会将之判断为受欢迎内容，自动为内容加权，分发量扩大到500；如果其点赞、转发、评论超过一定的量，算法又会自动加权，继续扩大分发量。

最后经过大量粉丝的检验，被层层热度加权之后才会进入抖音的推荐内容池，接受几十甚至上百万的大流量洗礼。其热度的评判标准包括两个方面：

1. 热度权重的参考次序：转发量>评论>点赞量。
2. 根据时间择新去旧：除非有大量粉丝模仿及跟拍，一条火爆视频的热度最多持续一周。