短视频算法逻辑是怎样的 平台算法背后的原理
你正在关注社交媒体上颇受欢迎的短视频,它们的流行就好像一个狂潮一样。
但是你有没有好奇这背后的算法是怎么算出内容影响力的呢?
当我们看到一个热门的短视频,第一反应可能是这个视频非常吸引人,它确实有足够的内容去让人记住,但很多时候,你可能不知道你看到的视频已经被平台辅助“推荐”。
社交媒体的内容推荐技术已经相当普遍,最有名的例子莫过于谷歌、亚马逊和脸书等知名平台。
它们采用的算法,即机器学习和人工智能技术,也有助于提出称号,比如“推荐小组”和“内容挖掘”。
但是更精确的算法如何来实现这种推荐功能呢?尤其是对于短视频来说,当它刚上传到网站或应用内时,如何使它快速火爆?
短视频平台采用多个算法来实现内容推荐,其中包括:
1.基于用户推荐算法:来源于用户喜好的内容以及她们的历史行为,这种推荐算法主要关注如何优先推荐合适的内容,让用户持续留存和获得新内容;
2. 基于内容推荐算法:这种算法基于视频或文章自身的特征,通过对内容的比较把相关的视频分组,同时基于其被观看量、分享量等指标来进行排序;
3. 主题推荐算法:对短视频内容主题进行研究、分析,归类当前流行短视频,把相关的视频分类推荐;
4. 广告推荐算法:基于用户的浏览习惯和兴趣,以及品牌效果统计,来推荐合适的广告给用户。
有了这些算法的支持,就可以很好地推送相关热门短视频,让更多用户发现。
对于怎么实现这样的实时热门推荐,还有多种优化算法可以使用。
其中,一个常见的算法叫做归一化engangement,其本质上计算这样一个指标:博主本身有多少正面的影响力。
这个指标的评估和实时跟踪,是短视频站点快速获取热门内容的重要关键。
在这里,每个视频具有不同的正面影响力指标,如分享次数、播放次数、质量评分、评论次数等,平台就根据这些关键指标,排序给出最终的内容推荐结果。
再了解短视频平台的算法推荐技术,就不能不提出人:即机器学习。
在机器学习中,有两种常见的模型可以用于短视频带来的内容推荐。
其一是深度学习,这是基于神经网络的机器学习技术,可以利用神经网络模型预测用户和内容之间的匹配度。
其二是关联式模型,它采用热门内容相关度指标分析,从而给出每个视频的关联度,使相关内容更容易被观看。
短视频平台的算法技术主要有上述几种:基于用户的推荐算法、基于内容的推荐算法、主题推荐算法和广告推荐算法等,支持实时热门推荐的算法还包括归一化engangement和基于机器学习的深度学习及关联式分析算法等。
在这一个时代,平台的准确算法,已充分介入到人们社交生活中,帮助他们更快地发现让他们心灵打动的内容,以及有利于与他人分享短视频内容的机会。