从抖音短视频的内容算法开始，学习抖音信息流引爆店铺站外流量

今年上半年，通过抖音信息流的实操，好几个类目产品的流量，都一改站内流量下滑的趋势;并通过抖音直通车引爆站外流量，突破了站内流量瓶颈，起爆了一票儿产品。

今天，就从抖音短视频的内容算法开始给大家分享，如果大家喜欢，会详细的分享——如何通过抖音信息流和抖音直通车，逆转店铺的流量瓶颈!

短视频内容从算法

一、推荐算法：基于用户行为的协同过滤：

协同过滤的基础：把用户的消费行为作为特征，以此进行用户相似性的、或物品相似性的技术，进行信息匹配。

协同推荐：

基于物品：先确定用户喜欢的物品，再推荐相似的物品推荐给用户。

基于用户：先找到与用户某一口味相似的人群，将这些人喜欢的新东西，推荐给用户。

基于模型：通过用户的喜好建立算法模型，实时预测用户可能的点击率。

二、推荐机制：

基于垂直个性化视频推荐

基于用户的消费历史推荐

基于TOP热榜的推荐

基于时下流行的推荐

基于继续观看的场景 ：

基于用户未看完的内容，或正在追的剧集进行推荐;

综合考虑上一次观看的时间、行为等，进行动态排序;

基于用户行为，考虑到共享账号，推断当下的用户是谁;

基于搜索场景：

在搜索的场景下，主要用户搜索词和搜索结果的补充推荐;

三、推荐最简单的方式就是:贴标签

标签：在不同的应用场景下，对标签进行有针对性的投射，抽象出的事物更具有表意性，更具有显著的特点。可通过多个不同的标签，以换取信息匹配效率最大化。

其中必须考虑标签分类的权威性，和信息的完备性，避免因为节点覆盖不全，或分类错误，导致对用户认知出现问题。

标签的产出：

1、为了更好的打标签，借助产品层的调整和引导，做用户标签的产出;

2、基于某一纬度的特征，将相关物品组合，并告诉你这个物品与哪个集合相似。

四、推荐服务的目标：

对于产品主场景而言，用户留存是第一目标，只有把用户留下来了，才有持续探索的可能性，所以推荐机制的目标是留存用户。

五、推荐系统评估指标;包括推荐精准度和推荐覆盖度。

推荐精准度：

在推荐系统中，推荐精准度表现为对用户点击和点击率的预判，和对消费情况的预判;

推荐覆盖度：

好的推荐系统，也能够给用户提供视野范围之外的内容;推荐覆盖度比较大。

在评估用户的展示历史中，以各种题材、类目、话题的丰富程度为评估指标，丰富度越高，覆盖度越大，代表个体体验的多样性越好。

推荐系统评估指标，包括视频内容的提前预判;客观上，也是对视频内容连接到人的后期验证，我们需要在数据指标基础上，在视频制作环节围绕丰富度，帮助系统更好、更快地发现潜在用户。

六、优化内容及冷启动

如何优化?

展现层：探寻不同创意，面向不同人群，需找更适合产品到人的表现形式;

技术层：尽可能的挖掘和完善不同载体的特征和权重;

作者层;完善内容信息，比如给视频增加简介和备注;或结合时下热点进行创作。

对冷启动的内容

基于文本，分析抽离出内容或产品的关键字，根据关键字建立产品人群画像。

冷启动用户:

在冷启动阶段，新用户更倾向于热门内容，而老用户则更需要长尾内容。我们需要在有限的展示次数中，尽快确定用户的主要偏好，将我们产品的卖点，与用户的偏好进行结合。

探测用户偏好，选取内容的基本策略是: 基于已有用户群体的偏好统计数据，选择有区分度的内容;并按照覆盖面由大到小的次序;

探索到用户的偏好，从而尽快发现用户的主要兴趣点，并推荐和这兴趣相关的产品内容，以换取更高的点击率。

而当新用户已经成了老用户，在已经实现短期留住用户的前提下，推荐系统在一定程度上牺牲短期点击率，来探索用户更广泛的兴趣，从而获得用户长期留存率的提升。

兴趣探索

对推荐系统而言，用户的兴趣探索是绕不开的一环，可以从内容投放和用户消费等角度来探知。

内容投放角度：

1、用产品的细分卖点，引导新品类、新品牌的加权分发，将全人群的强展现转为特定人群的强展现，从而换取可能更高的点击率。