如何从TikTok推荐算法角度打造爆款？

如何猜准用户喜好？

TikTok 推荐系统能够猜准用户喜好，主要依赖于以下四个方面构建观众画像：

1. 基础信息：包括设备、系统设置、位置、日期和时间等。通过这些信息，可以为用户推荐同类设备、位置或节日时间点相似用户喜欢的内容。

2. 交互信息：如关注、点赞、评论、观看时长等。与不同定义的视频交互后，观看的视频会反向标记观众。

3. 社交信息：通讯录、社交网络好友关系等。

4. 其他合作 App 内部的数据：有些公司会组成联盟共享 App 间的用户隐私数据，以构建更完整的用户画像。

有了这四方面的数据，观众画像就可以构建完成，然后根据观众的交互行为完善用户标签。这个过程是在一个很大范围内进行的，例如 10 万个相同标签的观众都喜欢一个标签下的视频，那么有同样标签的新观众就可能会喜欢这类视频。这是一个不断被训练、进化的流程，其目标是占用观众更多的时间。

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，构建视频画像。具体包括以下几个维度：

1. 视频内容：描述、标签、音乐、语言、图案等。

2. 观众交互信息：评论、点赞、观看时长等。

3. 交互过的观众的画像：通过这些观众的画像，可以进一步了解视频的特点。

通过以上三个维度，可以构建视频的画像，随着观众与视频的交互，视频画像会越来越精确。

观众和视频如何匹配？

观众和视频的匹配会通过某种逻辑进行，例如：

1. 有相同标签的观众和视频互相匹配。

2. 被同样喜好观众喜欢的视频进行关联匹配。

随着不断的匹配及进一步交互，观众、视频的画像以及匹配的逻辑都会越来越准确，衡量标准就是观众每天的停留时长。最终沉淀下来的就是这套经过全球几十亿人训练出来的推荐算法，这也是产品的核心资产。单纯的算法并没有什么价值，经过几十亿人的训练升级出来的算法价值巨大。