算法推荐机制下的短视频创作与传播.pdfVIP

算法推荐机制下的短视频创作与传播

作者：张宴硕董雪

来源：《新媒体研究》2020年第18期

摘要算法推荐机制已经是目前主流视频平台分发内容的主要方法之一，视频创作者利用

好算法机制可以对视频创作进行优化，扩展视频传播的传播范围。文章从算法推荐机制的原

理、完善用户画像、增强内容垂直度、完善视频信息、置入互动内容等方面探讨算法推荐机制

下的短视频创作与传播，为全媒体时代数字媒体艺术专业人才提供借鉴。

关键词短视频；算法推荐机制

中图分类号G2文献标识码A文章编号2096-0360（2020）18-0117-03

随着抖音、快手、微信视频号等短视频新媒体平台快速崛起，拍摄技术的普及，短视频创

作的已无门槛。在海量数据的创作环境下，大数据带来的最直接挑战就是如何让更多的用户在

数据汪洋中找到自己制作的内容，平台利用算法推荐机制作为中枢，将内容与用户作为内容的

分发渠道解决“信息过载”的问题，所以，掌握和利用算法推荐机制，让算法为内容创作赋能也

是众多创作者亟需思考的问题。

短视频平台的算法推荐机制1运作原理

算法推荐机制短视频平台是为用户推荐所需内容的技术，它的价值在于帮助用户粉丝解决

内容信息过剩和遴选所需要的视频内容。虽然算法推荐系统应用了各种各样复杂的数学模型，

但是它的运作原理确十分简单，那就是让系统准确了解待推荐的内容、全面的掌握需要推荐的

用户画像，经过判断内容、匹配用户实现内容与用户的高效对接。视频平台算法推荐机制运作

流程是这样的：创作者将视频发布后，系统便会解读提取出视频的关键信息，将视频推荐给微

量用户群体，这个群体可能是系统默认的感兴趣的用户，这批用户群发生的播放数据，将对视

频是否能进入下一轮几何倍数的推荐起到关键性作用，如果数据良好，视频就会进入良性推荐

循环中，不断地被推荐给更多人，最终成为爆款。

如果用通俗化的形式解读算法推荐系统，实际上是一个用户对视频内容满意度的函数，这

个函数包含内容、用户特征、环境[1]特征三个维度的变量。第一个维度是内容。各视频平台

如今已经是一个综合性的内容平台，各类视频内容具备各自的特色属性，需要考虑提取差异化

的内容类型特色做好推荐。第二个维度是用户特征。包含各种用户性别、兴趣爱好，年龄段、

职业属性等，还有很多模型刻画出的隐式用户兴趣等。第三个维度是环境特征。协同性特征、

热度特征、相关性特征以及环境特征，这些特征是移动互联网时代的特点，他们随着位置的不

断变化、所处场景的差异，用户对信息偏好会有所偏移。推荐系统给出的推荐结果都是个性化

的，不同的视频消费者看到的结果一般而言差异很大。推荐系统可以通过分析视频消费者以往

点击或购买的记录，以及其他用户点击或购买的记录，给出一些让视频消费者意想不到甚至以

前从未了解的推荐，而这些推荐往往却是消费者喜欢的。创作者有针对性的了解用户喜好，通

过系统推荐算法优化自己的创作内容。

完善用户画像定位，优化内容策划2

视频创作首先解决的问题是内容定位问题，视频内容是拍给哪些群体看的，所以必须要对

目标用户画像有个全面的了解。每个视频平台的推荐机制算法是根据用户注册时所选择感兴趣

的领域进行推荐，用户注册后完成第一阶段的画像描述，每一次的点击和阅读都会被系统计入

算法，用户观看的次数越多，用户画像所积累的数据越明晰，系统推荐就会越准确。

对于各平台的算法系统来说，用户画像就是将所有用户信息进行标签化的重新分组，用户

画像数据划分为静态和动态两类：

静态用户画像数据包含用户独立于产品场景之外的属性，通常具备人口统计性意义，例如

用户年龄、性别、受教育程度、婚姻情况、静态常驻位置等。当然，这些信息往往相对稳固，

可通过第三方软件数据库共享登录、用户表单填写等方式获取。

动态用户画像数[2]据包含用户在产品使用模式下所发生的显式或隐式行为。显式行为包

含对视频内容评论、点赞、分享及关注了某位视频创作者等。由于产品场景的差异，因此不同

行为的后台所赋的权重也不一样。隐式行为包含持续观看视频的时间、用户跳出点等。一般情

况下，显式行为的权重要比隐式行为高，然而因为显式行为所表现的数据相对稠密，为了将推

荐引擎训练更为“聪明”所以需要隐式行为来对数据进行二次增补验证。

因此，对于视频创作者来说，关注用户画像数据可以清晰指导自己的用户粉丝到底是哪类

人，要服务的群体是哪些。现在每个视频创作者后台都会对作品有详尽的数据分析后台，用户

画像的动态和静态数据都可以清晰的获得。创作者完全可以依据后台的