本篇文章以微信視頻號個性推送算法為例，分析其算法機制。作者以召回、排序、混排三個方面舉例，方便讀者理解。希望本篇文章能對你有所參考幫助。

前幾天我們分析了B站的推薦算法機制《B站的推薦算法機制大揭秘！》，今天我們來分享一下微信視頻號的推薦算法機制。

根據最新公示的微信視頻號個性推送算法的介紹，視頻號會從精選內容庫里個性化選取用戶感興趣的內容推薦給用戶，從而實現個性化推薦。

下面挖塘人就為大家通俗易懂地解析一下這個推薦算法。

從微信視頻號個性化推送算法機制機理的介紹中可以清晰地知道，我們的內容需要通過以下幾個環節，才能推薦給用戶：

一、召回

根據微信視頻號的產品設計，它的召回有三個頻道，即關注、朋友、推薦。

關注頻道主線是召回該用戶關注賬號發布的內容，支線是本地內容，好友發布的內容以及用戶可能感興趣的內容。

朋友頻道主線是召回該用戶好友點贊的內容，支線是該用戶可能感興趣的內容，好友看過的內容等。

推薦頻道主線是召回主要是該用戶可能感興趣的內容，支線是好友看過的內容，新聞熱點等內容。

而且，視頻號的召回是實時的。比如你看了一個高考查分的視頻，給算法的數據反饋不錯，那么你接下來就會多次看到高考查分的視頻。

二、排序

上面的召回環節是從內容庫里初步篩選內容，在數量上會比較多，而排序則是更精細化的篩選。

一方面是通過視頻的播放量、點贊、評論、分享、關注等數據指標進行篩選排序，過濾掉評分比較低的內容；另一方面去掉一些視頻質量差（包括畫面模糊、聲音卡頓等）或者內容質量差（包括同質化內容、沒有實質性內容）的內容。

所以經過排序后，進入推薦池的內容在數量上會少很多。

三、混排

混排環節一般使用的是融合排序算法，這個和之前分享的b站算法類似，都是給作品進行加權計算，最后得出最終的排序并展示給用戶。

下面我們列舉一個細化一點的例子來幫助大家理解：

假設ABCD四個賬號分別發布了作品a、b、c、d，混排的動態加權公式為：

最終排序分=內容權重分*0.8+內容熱度分*0.1+賬號權重分*0.1

其中內容權重分的指標包括播放量、播放時長、點贊、評論、分享、關注等，內容熱度分是根據搜索指數動態變化的，賬號權重分包括賬號的粉絲量、活躍度、違規行為等指標。

下面我們分別給四個作品隨便賦個值：

根據上圖的結果，我們看到最終的排序結果是a、c、b、d。

當然，視頻號的最終排序公式比這個例子更復雜，而且它還是動態的，所以要“抓住”視頻號的推薦算法是很難的，但是我們可以從數據的角度可以找到一些獲取更多流量的方法，因為算法都是基于數據的。

首先在召回環節，我們可以在作品中植入多個垂直的興趣標簽。

比如一條做短視頻運營的內容，我們就可以植入自媒體、短視頻運營、運營技巧等多個同領域的標簽。這樣方便算法根據標簽把作品納入相關的作品庫。

同時，地理位置、用戶互動、用戶基數等數據維度也可以適當地擴大作品的曝光。

其次在排序環節，為了我們的作品能夠順利地通過這個環節，那么需要保證作品的視頻質量沒問題，內容質量也過關。

同時在作品數據方面，我們可以適當引導用戶互動，比如引導點贊、評論、轉發等，這樣可以提升作品的權重分，分數越高就越容易進入下一個環節。

最后是混排環節，由于視頻號的推薦算法是動態的，如果用戶多看了幾眼某類視頻，那么接下來就會出現很多同類型的視頻。

假設你的視頻已經進入了推薦列表，排在第二位，按照正常的邏輯，用戶看完上一個視頻就會看到你的作品了。

但是該用戶把上面的視頻看了很多次，停留時間長，這時候算法收到的數據反饋就動態召回了和前一個視頻類似的作品，而你的作品就不會被推薦了。

這樣的機制有好處也有不好的地方，好的地方是你的作品也可以被其他作品「召回」，不好的地方就是出現上述場景，本來就到你了，結果被動態召回了。

基于這種情況，我們是無法左右算法的。但我們的作品權重、賬號權重、內容熱度等各種分數都不錯的話，那作品排第一推薦的機會就大，這樣就不會因為動態召回而損失了推薦流量。

以上就是今天的內容，希望對你有幫助。