重新推荐：根据用户反馈优化产品

平台推荐不是一次性行为，而是一个不断循环重复的过程。在内容上传初期，平台机器会把内容推荐给第一批核心相关用户，然后会根据第一批推送的用户反馈，决定后期推荐的数量。前期数据表现越好，机器便会认为内容受用户欢迎，也就越有机会获得更多的推荐。在第二推荐阶段，你的内容将会突破核心用户圈，发掘更多的潜在用户。反之，如果前一轮推荐效果不佳，下一轮推荐就会减少，直至衰减为零。

以抖音为例，当一个新视频发布到抖音上，抖音平台会给你第一次推荐流量。新视频流量分发以附近和关注为主，再配合用户标签和内容标签智能分发。如果新视频的完播率高，互动率高，就会获得叠加推荐，这个视频才有机会继续增加流量。这也正是很多零粉账号粉丝一夜暴涨到10万以上的原因。叠加推荐机制里，热度加权是一种很重要的方式。比如平台第一批智能分发100左右的播放量，转发量达到10，算法就会判断其为受欢迎内容，自动为内容加权，叠加推荐给你1000的播放量；这时转发量达到100，算法持续叠加推荐到10000，以此类推。叠加推荐当然是以内容的综合权重作为评估标准，综合权重的关键指标有完播率、点赞量、评论量和转发量。且每个梯级的权重各有不同，当达到一定量级，则是算法推荐和人工推荐相结合的机制。经过大量用户的检验，层层热度加权后才会进入抖音的推荐内容池，接受几十万甚至上百万的大流量洗礼。一般各项指标的热度权重从大到小依次为转发量、评论量、点赞量。热度权重也会根据时间择新去旧，一条爆火的短视频的热度最多持续1周，除非有大量用户模仿跟拍。所以短视频创作者需要进行稳定的内容更新，具有持续的爆款输出能力。抖音短视频以15秒的形式单刀直入，让人们在视觉、听觉和情境的共振里感受美好，而一夜爆红的内容自有其规律，持续输出一击即中的内容离不开长期的深入洞察。(www.xing528.com)

点击量、转发量、评论量这些数据都是可以外化的，但一个大体量的推荐系统，服务用户众多，这些量化的数据并不全面，再加上刷评论和刷点赞等行为可能会迷惑机器算法。因此推荐机制并不完全依靠这些量化的数据，而是引入了数据以外的要素，对算法做不到、做不好的内容进行干预。比如社会热点事件，虽然你的内容很热，但是热点已过，也不会因为内容的点击率大而继续给你推荐。除了上述提及的数据指标，推荐机制还有很多复杂的情况，比如“过滤噪声”，即过滤停留时间短的点击，打击标题党；“惩罚热点”，对用户在热门文章上的动作做降权处理；“时间衰减”，随着用户动作的增加，老的特征权重会随时间衰减，新动作贡献的特征权重会更大等等。总之，不管算法如何复杂，作为创作者，最关键的是要制作出高品质的内容，保持持续更新，总有一天流量爆款会如期而至。