江苏龙网

  1. 首页 > 资讯 > 科技 > >

读芯术|抖音的奇幻漂流：为什么TikTok让用户如此着迷？( 二 )


本文插图

图源：unsplash
“以用户为中心的设计”是这一原型的核心 。 简单来说 ， 从冷启动期的后台调整到为活跃用户提供明确推荐 ， TikTok只会推荐用户喜欢的内容 。
如果用户点击了舞蹈视频 ， 一开始看到的内容就定制为这一娱乐类型 ， 随后的机制是跟踪用户行为 ， 进行进一步分析 ， 最终提供该用户独有的精准推荐 。
高级工作流如下所示：

读芯术|抖音的奇幻漂流：为什么TikTok让用户如此着迷？
本文插图

3个主要组成部分
在TikTok的原型中 ， 有三个主要的构成要素：标记内容、建立用户画像和用户场景以及训练并提供推荐算法 。
数据和特征
【读芯术|抖音的奇幻漂流：为什么TikTok让用户如此着迷？】
首先是数据 。 推荐模型的正式描述是：利用用户原创内容满足用户的功能 。 要提供这一功能需要输入三个方面的数据 。
· 内容数据——TikTok是一个有大量用户原创内容的平台 。 每种内容都有其特质 ， 系统应该能够识别和区分内容 ， 才能提供可靠的推荐 。
· 场景数据——这一数据记录的是使用场景 ， 以及不同场景下用户的喜好转变 。 比如 ， 某用户在上班、旅行、通勤时分别喜欢看什么类型的视频 。
· 用户数据——既包括兴趣标签、职业、年龄、性别、人口统计数据等 ， 也包括以机器学习为基础的用户聚类分析得到的潜在特征 。
一旦收集到了相关数据 ， 模型就会从中导出四种严谨设计的特征 ， 输入推荐引擎中 。
· 关联特征：代表内容属性和用户标签之间的关联 ， 包括关键词配对、分类标签、来源匹配、主题标签以及潜在特征（比如用户与内容发布者的距离） 。
· 流行特征：以用户交互为基础 ， 代表国际潮流、热门话题、搜索热词、流行主题等等 。
· 用户场景特征：由场景数据而来 ， 包括地理位置、时间段、事件标签等 。
· 协同特征：以协同过滤技术为基础 ， 平衡了狭义推荐（根据喜好推荐）和协同推荐（综合用户喜好推荐） 。 具体而言 ， 该算法不只考虑某个用户的浏览历史 ， 还分析类似用户群体共同的行为（点击、兴趣、关键词、主题等） 。
模型会学习以上的特征 ， 以此预测某个内容是否适合某用户在某种场景观看 。
无法度量的对象
在推荐模型中 ， 点击率、浏览时间、点赞数、评论和转发都是可量化对象 。 程序员可以让模型或算法适应这些对象 ， 然后做出最终预测 。

读芯术|抖音的奇幻漂流：为什么TikTok让用户如此着迷？
本文插图

图源：unsplash
然而 ， 其他无法度量的对象是无法用量化指标来衡量的 。 比如 ， 为了维持健康的社区环境和生态系统 ， TikTok以控制暴力、诈骗、色情、浮夸内容为目标 ， 将权重赋予符合事实、高质量的内容 ， 比如新闻 。
为了实现这一目的 ， 需要在量化模型对象之外 ， 建立更大的控制框架（内容审核系统） 。
算法
推荐对象可以转化为经典的机器学习问题 ， 然后协同过滤模型、逻辑回归模型、因子分解模型、几何数据库和深度学习等算法就能解决这一问题 。
行业级的推荐系统需要灵活可扩展的机器学习平台 ， 这样才能建立实验流程 ， 从而快速训练各种模型 ， 然后把它们组合起来 ， 实时提供服务（比如把LR模型和DNN模型组合 ， CVM模型与CNN模型组合） 。
除了主要的推荐算法 ， TikTok还需要训练内容分类算法和用户画像算法 。 以下是内容分析的层级分类结构 。

读芯术|抖音的奇幻漂流：为什么TikTok让用户如此着迷？
本文插图

层级分类树
从主干往下看 ， 主类别的下方是子类别 。 与其他分类模型相比 ， 使用层级分类机制能好地解决数据倾斜的问题 。


推荐阅读


上一篇：|性能与颜值兼顾 富士高性价比无反相机推荐

下一篇：鞭牛士|微信小商店开放内测申请，商家可借此“直播带货”