让抖音疯狂推荐你的视频：抖音算法破解

Asem抖音小知识

抖音的算法机制一直是创作者们关注的焦点。如何让自己的视频获得更高的曝光率和流量，成为每个创作者追求的目标。本文将深入剖析抖音官方公布的推流算法机制，将其转化为通俗易懂的数学公式，并结合实际案例，为你揭示如何科学提升视频推流的秘诀。

抖音官方已经明确公布了它的推流算法机制，现在回过头来看，网上那些教别人如何破解抖音推荐机制的导师们就显得很尴尬了，因为你连基本的抖音推荐算法都是自己”瞎蒙“的，又怎能真正的教会别人怎么破抖音推荐算法呢？

这次抖音官方公布的推流算法内容并不多，只是让我们真正意识到一个问题：一个好的抖音视频不只取决于完播率，还有系统的推荐打分公式来决定的。

（抖音官方公布的推流机制图）

（抖音官方公布的打分机制）

既然抖音官方已经公布了机制，但是依旧有很多人完全看不懂这些，更不要说如何利用机制去破机制算法，好让自己以后发的抖音视频更容易爆。

今天就让我清晰的带领大家系统的了解这个推荐算法机制。

我先将抖音官方公布的”推流机制图“和”打分公式“整合成一系列的公式/数学公式（我从未对外公布，首发于人人都是产品经理网）让大家清晰的看明白。

一、将机制转化为数学公式第一：基础推荐优先级公式
核心算法框架
推荐优先级=∑i=1n(行为概率i×价值权重i)

变量说明：

行为概率i：模型预测用户对视频触发第i种行为的概率（如点赞、完播等）

价值权重i：平台对第i种行为的权重赋值（动态调整）

这个”基础推荐优先级公式“到底是什么意思呢？其实很简单，总结一句话就是：推荐优先级 = （点赞概率 × 点赞权重） + （完播概率 × 完播权重） + （分享概率 × 分享权重） + ……

什么叫“行为概率”？
其实就是系统在猜用户会不会对你的视频干点啥。具体啥呢？比方说：

• 用户能不能把视频一口气看完（这就是完播率）；
• 会不会给你点个赞；
• 会不会留个言；
• 或者分享出去；
• 再或者是关注你。
  
  

举两个例子你就明白了：

例子1：如果你的视频一开头就让人觉得特别抓眼球，系统会琢磨：“这小子大概率能看完。”这就是完播概率高。

例子2：如果你在视频里喊了一句“点赞的今年发大财！”估计看的人会琢磨：“点个赞呗，又没啥损失。”系统就会觉得，这人大概率会点赞。

“价值权重”又是什么？
这其实是抖音给每个用户行为打的分儿，代表这东西有多重要。比如说：

例子1：抖音最近想让人多分享视频，那分享的分量就大（可能一个分享顶三个赞）；

例子2：要是抖音发现，不少人虽然点了赞但根本没看完整视频，它可能会把完播率的权重调高点儿。

继续给你整俩例子：

例子3：抖音这段时间想推那种不长不短的视频，完播率就变得金贵了。哪怕你视频稍微长点儿，只要用户坚持看完，系统就更乐意给你推荐。

例子4：要是抖音发现，评论区热闹的视频能把用户留住，那评论的分量可能就上去了。你视频评论要是特多，被推荐的机会也就大了。

二、行为概率预测模型（深度学习公式）
行为概率i=f(X用户,X内容,X上下文)
特征输入：
X用户：用户历史行为（点击、停留等实时/长期数据）
X内容：视频特征（时长、标签、BGM等）
X上下文：环境变量（发布时间、设备等）

示例（逻辑回归简化版）：

点赞概率=1+e−(w1x1+w2x2+⋯+b)1

（w为模型训练权重，x为特征值）

这个公式的具体含义其实也很简单：

抖音就像个“半仙”，能瞅出你刷视频时的习惯，然后猜你会不会点赞、会不会看完，甚至会不会分享。这背后其实有个“算命公式”

这个“算命公式”的公式啥样？

它差不多长这样：

“你会不会干啥的概率” = f（你平常的行为，视频的特点，刷视频时的情景）

举个常见的例子：

如果你总是给吃的喝的的视频点赞，抖音就会猜：

——“这小子看到美食视频，八成会点赞，概率80%。”

而如果你从来不看长的视频，抖音又会琢磨：

——“这人不会看三分钟的视频，估计他只会看个10%就溜。”

1.抖音这“半仙”凭什么给你算命？
主要是根据三方面的数据来猜你会怎么着：

（1）你的习惯（你这个人的特点）

——你最近都给什么视频点赞了？（比方说你总看小猫小狗的视频）

——你一个视频能看多久？（有的人5秒就滑走，有的人一定看完）

——你是不是关注了一堆类似博主？（比如健身博主你有10个）

举个例子：

如果你昨天刚给一个“减肥教程”点了个赞，抖音立马觉得：

——“这家伙对减肥感兴趣，接下来看到类似视频，点赞概率提高30%。”

（2）视频有什么特别的地方（内容特点）

——这视频多长？（15秒？还是3分钟？）

——用了什么背景音乐？（这歌是火的还是没人听的？）

——带了啥标签或者标题？（比如搞笑 实用技巧 感情故事）

简单举个例子：

要是某个视频用了眼下爆火的音乐，抖音就琢磨：

——“这背景音乐那么火，那这视频的点赞概率提升20%。”

要是视频标题里写着‘教程’俩字，抖音寻思：

——“爱学习的人大概愿意看完，整个视频被看完的概率加上15%。”

（3）你在什么情景下刷视频（也就是场景）

——你几点刷的？（是早上上班路上？还是晚上睡觉前？）

——你用的啥手机？（iPhone还是安卓？）

——连的WiFi还是用流量？（抖音知道WiFi用户往往更有耐心看长视频）

比如说，你半夜11点躺床上刷抖音，抖音立刻判断：

——“这个点儿用户想看轻松搞笑的，来，给他推几个逗乐的视频。”

你要是在外边用流量刷视频，抖音心想：

——“用流量的可能不想看太长的视频，推点短小精悍的吧。”

2.抖音怎么“算”出这些概率的？（说点简单的数学）
尽管抖音用的那套AI可复杂了，但你可以拿“考试打分”来做类比，这好懂吧。

粗糙版的公式大概长这样：

“点赞的概率” = 1 / (1 + e^-(w₁x₁ + w₂x₂ + … + b))

不大好懂？没事儿，分解开就明白了：

— x₁, x₂…：这些代表视频的不同特点（比如“时长”，“背景音乐火不火”）

— w₁, w₂…：这代表抖音给各个特点打的分（比如它觉得背景音乐的热度可能比时长更重要）

— b：基础分，这就像考试里的及格线。

比如抖音已经摸出来：

— “用了热门背景音乐”（给这个特点x₁打1分，w₁重要性打2分）

— “视频就15秒”（x₂打1分，w₂重要性打1分）

— “你以前爱点赞这类视频”（x₃打1分，w₃重要性打3分）

— 基础分b呢，就算0吧。

这么一算：

“点赞概率” = 1 / (1 + e^-(2×1 + 1×1 + 3×1 + 0)) = 1 / (1 + e^-6) ≈ 99.7%

这就很直观了，抖音能猜：

—“这个视频你基本百分百会点赞！”

三、多目标价值评估模型公式


视频总分=α⋅完播率+β⋅点赞率+γ⋅分享率+δ⋅关注率+⋯
动态权重规则：

平台定期调整α,β,γ等参数（例：近期侧重「分享」则γ↑）

中长视频补偿机制：完播率=行业基准时长实际播放时长

这个公式的意思是：抖音其实悄悄给每个视频打了一个“隐藏分数”，分数高的就被狂推，分数低的基本上就没人搭理。

那这个分数是怎么算出来的呢？简单来说，大概是这么个公式：

视频总分 = （完播率 × α） + （点赞率 × β） + （分享率 × γ） + （关注率 × δ） + 其他因素

这几个字母到底什么意思？一个个说吧。

• 完播率：就是有多少人把你的视频从头到尾看完了。看完的人越多，这个完播率就越高，你的分数也跟着上去。
• 点赞率：多少人给你点了赞，这个不用多解释吧。
• 分享率：有多少人把你的视频转发出去了。
• 关注率：因为你这个视频，有多少人关注了你。
  
  

α、β、γ、δ：这些是抖音给每个行为打的分值权重，它不是固定的，抖音经常会根据情况调整。

再说说什么是“动态权重”。抖音会时不时调整这些系数（就是α、β、γ、δ这些）。假设抖音这段时间发现，大家通过分享能带来更多新用户，那么它可能就会把分享的权重（γ）调高一点。也就是说，分享这个行为在计算总分时变得更重要了。

比如说：

如果抖音现在这几个权重是：

• 完播率（α）= 5分
• 点赞率（β）= 3分
• 分享率（γ）= 4分
  
  

而你的视频数据是这样的：

那算下来你的视频总分就是：

60% × 5 + 40% × 3 + 20% × 4 = 3 + 1.2 + 0.8 = 5分

但假如抖音发现分享真的特别重要，就把分享的权重（γ）调成6分，那这个时候，你的新分数就变成：60% × 5 + 40% × 3 + 20% × 6 = 3 + 1.2 + 1.2 = 5.4分

这样，分数就跟着涨了。

另外，抖音还搞了个中长视频的“补偿机制”。因为抖音知道，长视频更难让人坚持看完，所以它会“照顾”一下长视频。具体咋补偿呢？完播率不是简单看多少人看完了，而是看你视频的实际播放时长除以一个行业基准时长。

举个简单的例子：

如果你的视频是1分钟，但同类视频别人平均就看30秒，那你的完播率会被放大，也就是说，抖音会觉得，你看，你的视频尽管长，但大家多看了这么多，不能让你吃亏，于是给你更多的分。

就这样，抖音的推荐算法综合考虑了这些因素，不论你是发短视频还是中长视频，都会有一个合理的分数来决定你能不能火。

这种打分机制其实说白了就是刺激你去发那些更能引起互动的内容，想让每个视频都多点人看，多点人转，因为这样，对平台和用户来说都是双赢。

四、实时反馈修正公式
权重i(t+1)=权重i(t)+η⋅(实时行为率−预测行为率)

参数说明：

• η：学习率（分钟级更新）
• 实时行为率：当前时段用户实际行为数据
  
  

这个公式的具体含义是：抖音算法是怎么边看边改的。

抖音的算法其实挺像一个不断改卷的老师。你发的视频，它会先自己琢磨一下：“这视频估计有50%的人会点赞或者看完。”这是它的预测。

然后，视频发出去了，它就开始盯着用户的动作，看看多少人真的点赞、看完了。哎，结果发现，诶，实际点赞率有70%！这就是它的实际观察。

看到数据出来后，算法马上就行动，寻思着：“哟，比我预想的要火啊！那行，我得多推推这视频。”于是它把你的视频推荐给更多人，这就叫调整权重。

再用大白话拆解一下这背后的公式——

• 新权重其实就是下一分钟这视频能拿到的流量，抖音是每分钟都重新算你的视频该有多少曝光机会。
• 当前权重呢，就像现在“点赞”这行为的“分量”，假设现在是3分。
• 学习率说的是抖音调整的速度。打个比方，学习率如果是0.1，它调整起来就慢，像温吞水。但如果是0.5，那调整起来就像个暴脾气。而抖音，属于后者，分分钟大刀阔斧地改动。
• 打脸程度挺有意思，就是实际表现和预测之间的差距。如果实际比预测好（比如你预测50%点赞，结果有70%），那算法会立刻加权重：“哎哟，低估了，得多推点。”要是实际比预测差（比如预测50%，结果只有30%），它就会立马减分：“算了算了，少推点吧。”
  
  

来看个具体例子。

假设，你现在的“点赞”权重是3分，抖音原本预计你的视频会有50%的点赞率。但视频发出去后，前5分钟，真真实实的点赞率有70%！而且抖音的学习率还设得比较猛，η=0.3。

那它怎么算呢？新权重就是：

3 + 0.3 × (70% – 50%) = 3.06分。

你看，虽然只多了0.06分，但抖音每分钟都这么调，几个小时后，权重就可能蹭蹭地往上涨。

最后，因为这视频实际数据比预期的要好，抖音自然要把视频往更多人的推荐页塞，顺便还把“点赞”这个行为的权重稍稍提了一小把。

简单来说，抖音算法就是在不断地预测、对比、调整，像个见机行事的老师，时时刻刻根据你的表现修正对你的关注度。越好，越推，越推，越好。

五、冷启动流量分配公式
初始曝光量=基础流量×创作者信用分×内容相似度
信用分：历史违规记录、内容质量等
相似度：与近期爆款视频的标签匹配度

抖音给你新视频的第一波流量，其实看三点：

基础流量（算是平台给的小福利）
每个新视频都会有个三五百的播放量，这事基本没跑。你可以把这理解为抖音给你的一点“甜头”，试试你的视频是不是受欢迎。

账号信用分（看你是不是靠谱）
加分方面（有三种）：

1.经常发自己的好内容。

2.不违规、不搞刷赞那些小动作。

3.多和观众互动，评论分享多，平台肯定喜欢。

扣分方面（也有三种）：

1. 要是直接搬运别人视频，被发现可就麻烦了。

2.发些不该发的词或者低俗内容，直接限流没商量。

3.突然发硬广，系统会觉得你是营销号，立刻打入冷宫。

如果你的信用分高，抖音一开心，多给你几百播放都有可能；要是分低，也就给你一两百打发了，甚至直接不给曝光。

相似度（说白了，蹭热度的能力）
抖音会看：

你的视频标签和最近热门的像不像。

背景音乐是不是和当下火的那个一致。

封面是不是最近流行的那种。

如果各方面都和热点沾边，抖音会觉得你这视频也可能火，大方给多点流量；要是差得远，它可能就觉得你这视频没啥看头，随便给点打发了事。

举个例子：

A账号，信用分高，视频也像爆款：

初始播放量大概能有个500 × 1.2 × 1.5 = 900左右。

B账号，信用分低，视频也没蹭上热度：

初始播放量可能就500 × 0.8 × 0.6 = 240，估计难有什么起色。

简单说，A视频有更大的机会火，B视频可能就这样默默无闻了。就是这样，靠的还是自己的内容和选择蹭热点的小技巧。

六、用户兴趣衰减模型公式
用户兴趣权重=e−λt⋅历史互动强度

• λ：衰减系数（如30天前的点赞权重降至10%）
• t：行为发生时间距离现在的天数
  
  

抖音其实挺“健忘”的，就像人一样，昨天的事儿记得清楚，时间一长就慢慢模糊了。比如你昨天看了个宠物视频，顺手点了个赞，抖音马上给你推一堆类似的，恨不得刷十条有九条都是小猫小狗。但你要是半年前点赞过健身视频，抖音基本上就当没这事了，再难刷到相关的。

怎么理解这“忘性”呢？可以拿个简单的公式说事儿。

（1）e⁻ᴸᵗ——兴趣“过期”的速度

这公式看起来复杂，其实说白了就是个时间因子，体现你对某个东西的兴趣会随着时间慢慢减弱。这里的λ（衰减系数）代表抖音的“忘性”有多快。假设λ等于0.1，意思就是30天后，你对某个内容的兴趣就只剩下10%了。而t就是离你上次互动过去多久了，比如3天，或者30天。

咱们举个简单的例子，假设λ还是0.1：

你10天前点了个赞，那这时候兴趣权重差不多还剩个37%的样子，抖音可能偶尔还会给你推类似的视频，但不会像一开始那么疯狂。