抖音算法突破，教你快速上抖音热门推荐

在抖音推荐系统的实践中，我们经常遇到各种问题。
1.建议重复
在内容制作持续下降和产量不断增加的背景下，当新闻事件发生时，权威新闻来源将发布新闻公告。由于媒体将从不同角度发表评论，搬运工也将批量生产热门内容。
内容的繁荣也带来了信息的过载。对于用户而言，他们需要的是有价值的信息而不是相同的内容。用户可能在抖音页面上讨厌相同的今日头条，当他们点击今日头条并发现内容不是新内容时，他们将开始粉碎和拍摄。
抖音重复是内容推荐必须解决的问题。
结合用户的使用过程，我们将用户对内容的消费分解为抖音页面消费和详细页面消费。前者与点击之前的消费者预判相关（如图1左侧所示），而后者表示用户点击后的消费者体验（如图1右侧所示）。
我们列出了页面消耗和详细页面消耗
基于这两个维度，我们可以得到一个2×2表，如下表所示。
这四种场景对应于内容重复的四种处理方法：
案例A（A和B，抖音页面和详细信息页面是相同的）：从消费的角度来看，A和B的两个内容是用户的替代。
在用户消费A的内容之后，很有可能不消耗B的内容。然后，对于推荐系统，需要从A和B的两个内容中进行选择，并选择应该向用户显示的内容。因此，问题从内容选择转移到信息源选择，并且有必要深入研究重复组成的原因和内容的消费特征。
由载体编号原始内容的抄袭：显示原始内容并惩罚承运人。
媒体机构发布的新闻稿：选择首次，高度权威的媒体，或根据用户的订阅关系推荐用户订阅的自媒体。
热点转发内容：在此方案中，“转发的人”具有一定数量的信息。我们将根据用户与货运代理的关系是否接近来判断是否需要显示。如果密封性低，则不会显示。
对于具有重复消费属性的一些内容，例如音乐，讲故事，串扰等，可以通过产品设计方法（例如历史，再看，收藏抖音，广播顺序等）重复相同的内容。
案例B（A和B，抖音页面不同但详细信息页面相同）：在重新打印的情况下，抖音页面中显示的文章具有不同的“构成”。需要进一步分析以确定用户是否已看到内容。
如果用户点击A的内容，则需要推荐B内容并不是很大，因为从点击后的消费者体验来看，用户并没有获得额外的收入。如果用户没有点击A的内容，则B的内容与发布者的抖音，今日头条和封面不同。抖音页面的预判不一样，需要进一步推荐。头孔功能“双今日头条+双重封面”是一个实际应用。
案例C（A和B，抖音页面相同但细节页面不同）：典型的例子是红烧猪肉的做法，郭德纲的最新搞笑漫画等，虽然点击后的消费者体验不同，类似抖音页面演示让用户对消费者决策感到困惑。
如果用户点击A的内容，他会认为B的内容与A的内容重复，因而忽略它;如果用户在抖音页面上看到它但没有点击内容，他将极有可能错过内容B.在这种情况下，应该延长两个内容的推荐间隔并将其视为密集中断问题。
案例D（A和B，抖音页面和详细信息页面不同）：这种情况最简单。两个完全不同的内容不会对用户的消费预测产生影响，可以单独推荐。
2.推荐密集
我们继续讨论重复的问题。强化意味着用户推荐抖音中相同类型内容的比例过高，导致本地多样性的丧失。
强烈推荐的原因是用户的短期兴趣点通常是明确的，并且将很快关注特定事件或人。例如，当阅兵式参加阅兵时，即使是娇小的女孩也会被解放军的冷静和英雄姿态所吸引。在阅兵式周围，将有不同的切入点，如军事分析，士兵和英雄，以及爱国主义。随着热点，人们在这个阶段的消费也将大幅增加。
另一方面，推荐系统不能充分理解用户的兴趣点，或者仅追求面向点击并且扩大用户的强烈兴趣相关内容，从而忽略用户的弱兴趣相关内容。例如，系统只知道用户喜欢财务，并且建议围绕财务内容，或者比较由财务内容和科学内容组成的候选内容，因为财务内容点击预测明显高于科学内容，系统只推荐财务内容。
从点击率的角度来看，本地密集型会满足用户的需求，这通常会导致短期消费的快速增长。这不一定是坏事。我们在关于用户冷启动的部分中也提到，为了在短期内留住用户，系统会故意牺牲多样性并满足用户的新热点内容的短期需求。
但是，不同用户的短期兴趣点的衰减率是不可预测的。例如，第三天可能没有提到阅兵的内容。自赛季结束以来，NBA的赛事报道一直没有更新。为了防止用户体验从悬崖上掉下来，
从产品的角度来看，我仍然希望避免刷新时内容过于密集的情况。通常，我们采用滑动窗口规则，即多个连续规则尽可能多维分解，降低了用户的视觉密度。
密集测量取决于我们对分割维度内容的理解，可以分割的维度越详细，可以制定的分解策略越详细。典型的可拆卸维度是主题载体维度，作者维度，类别（主题）维度和实体词维度。
主题载体维度：属于同一内容载体的内容太多，例如，屏幕是视频或地图集。
作者维度：来自同一作者的内容太多，例如大量媒体类型帐户刷卡的现象。
主题和作者属于内容的内在属性，类别和实体词是基于语义理解提取的属性。
类别（主题）维度：来自同一类别（主题）的内容太多，例如关于阅兵期间阅兵的大量内容。
实体词维度：讨论实体词的过多内容，例如关于明星名人的各个维度的讨论。典型的例子是马云，它涵盖了金融，科技，教育等诸多领域。在系统准确进行类别识别的前提下，依靠类别分解无法解决马云刷牙的问题，只能通过物理词汇。散。
关于密集分手的好处，我们通常衡量用户的长期保留。具有更好多样性的内容可能会在短期内降低点击率，但从长远来看，它将有助于用户留下来，并且没有必要长时间竞争。