从TikTok推荐算法角度理解如何做爆款？

TikTok 的推荐系统是如何猜准用户喜好的？

要猜准用户喜好，TikTok 主要从以下四方面构建观众画像。首先是基础信息，包括设备、系统设置、位置、日期和时间等。通过这些基础信息，能够为用户推荐与同类设备、相同位置或者特定节日时间点相似用户所喜欢的内容。其次是交互信息，比如对不同定义的视频的关注、点赞、评论、观看时长等。与不同标签的视频交互后，观看的视频也就反向标记了观众。再者是社交信息，像通讯录、社交网络好友关系等。最后还有其他合作 App 内部的数据，虽然可能存在一些公司为了商业目的组成联盟共享用户隐私数据的情况，但这也是构建完整用户画像的一种方式。有了这四方面的数据后，就可以构建出观众画像，然后根据观众的交互行为不断完善用户标签。这是一个在很大范围内进行的过程，当大量相同标签的观众都喜欢某类视频时，新的具有同样标签的观众也会倾向于喜欢这类视频，并且这是一个不断训练和进化的流程，目标就是让观众投入更多时间。

如何定义视频？

定义视频主要是通过视频本身的数据以及观众的交互历史给视频打上标签，从而构建视频画像。具体包括视频内容，如描述、标签、音乐、语言、图案等；观众交互信息，像评论、点赞、观看时长等；以及交互过的观众的画像。通过这三个维度能够构建出视频的画像，随着观众与视频的交互增多，视频画像会变得越来越精确。

观众和视频是如何匹配的？

观众和视频的匹配会通过一定的逻辑进行。比如最简单的就是有相同标签的观众和视频互相匹配，还有被同样喜好观众喜欢的视频进行关联匹配等。随着不断的匹配以及进一步的交互，观众、视频的画像以及匹配的逻辑都会越来越准确，而衡量的标准就是观众每天在平台上的停留时长。

TikTok 推荐系统的价值体现在哪里？

最终沉淀下来的就是经过全球几十亿人训练出来的推荐算法，也就是匹配算法，这是产品的核心资产。单纯的算法本身并没有太大价值，但经过几十亿人的训练和升级后的算法，其价值就变得巨大无比了。