最近在通过视频方式为公司产品和品牌做些营销推广工作，在总结发布视频的数据过程中，也在思考抖音、快手、腾讯视频号的推流算法模式。
本人在中国科学院读研究生学的是人工智能与模式识别方向，小论文和毕业论文也是写大数据下的个性化推荐（推荐算法设计），如果我参与设计视频号抖音快手等视频平台的推流算法会怎么规划设计呢？本文就是出于这个角度思考成文的。
首先解释一下推流的概念
任何平台的任何一个新视频，其访问量的组成为“关注流量+主动推荐流量+付费广告流量+系统推荐流量”，推流即系统推荐流量简称，很多时候有些网友并没有做“主动推荐流量”和“付费广告流量”的动作，所以系统推流对于一个视频的流量影响是至关重要的。
再介绍一下推荐算法的基础构成
推荐系统的推荐算法大多数都是采用标签形式，通过个人的阅读喜好为阅读者打上个人兴趣的标签，如我对“科技”、“数字化”、“企业”、“管理”等内容感兴趣，系统会自动给我打上相关标签；对于平台用户上传的内容，系统通过内容分词、视频帧的分解对图像进行识别等技术为内容打上标签。系统将阅读者的标签和内容的标签进行匹配，并由此推荐相关视频给用户。
视频平台推流算法设计
当平台用户发布一个新视频，其中有部分订阅者会看到相关视频，系统同时也会给该视频推荐做一级推荐，即较小范围的相关标签兴趣用户的推荐，这些用户大多数是没订阅此账号的用户，如果该批用户的反馈良好（点赞、转发、加关注、完播率等），那么系统将会进行更大用户圈的二级推荐，同样关注该批用户的反馈，如果该批用户反馈良好，那么系统就再更大用户圈做三级推荐，三级推荐的视频基本上就可以视作爆款视频了......在此过程中如果有平台相关大网红参与互动，推荐的权值将大幅增加。
影响推流的其他参数
1、视频账号的用户名称；
2、视频账号的订阅用户数及过往质量；
3、视频账号的认证与否；
4、视频账号自身在平台的兴趣爱好；
5、视频账号的信用积分；
等等甚至几百几千参数会影响一次推流的人群范围及反馈评价公式。
由以上大致的算法我们可以总结出：对于一个平台视频创作者来说，将自身的“人设标签”经营好的同时，需要在创作内容方面下功夫，使得对内容潜在“标签”用户能够对内容产生积极反馈，从而激发系统的二次推流、三次推流机制，使得作品成为爆款。
有兴趣的朋友可以查阅参考更多“平台推流算法” 。
