抖音里分享里的朋友是怎么排序的(抖音里分享里的朋友是怎么排序的怎么弄)

抖音的上热门的方法类似于威尔逊得分排序算法，但是远远又比威尔逊得分排序算法更复杂。

大概就是：

机器审核+人工双重审核。

当一个视频初期上传，平台会给你一个初始流量。如果初始流量之后，根据点赞率，评论率，转发率，进行判断：该视频是受欢迎还是不受欢迎，如果第一轮评判为受欢迎的，那么他会进行二次传播。

当第二次得到了最优反馈，那么就会给与推荐你更大的流量。

相反，在第一波或者第N波，反应不好，就不再推荐，没有了平台的推荐，你的视频想火的概率微乎其微，因为没有更多的流量能看见你。

你的视频火的第一步是被别人看见，第一步就把路给走死了，后续也只能依靠朋友星星点点的赞。

其实，不难看出这个抖音推荐机制算法背后思维逻辑：流量池，叠加推荐，热度加权及用户心理追求。

下面还是来了解一下威尔逊得分(Wilson Score)排序算法吧！

威尔逊得分排序算法，Wilson Score，用于质量排序，数据含有好评和差评，综合考虑评论数与好评率，得分越高，质量越高。

u表示正例数（好评），v表示负例数（差评）。n表示实例总数（评论总数），p表示好评率，z是正态分布的分位数（参数），S表示最终的威尔逊得分。z一般取值2即可，即95%的置信度。

正太分布的分位数表：

算法性质：

性质：得分S的范围是[0,1)，效果：已经归一化。适合排序性质：当正例数u为0时，p为0，得分S为0；效果：没有好评，分数最低；性质：当负例数v为0时，p为1，退化为1/(1 + z^2 / n)，得分S永远小于1；效果：分数具有永久可比性；性质：当p不变时，n越大，分子减少速度小于分母减少速度，得分S越多，反之亦然；效果：好评率p相同，实例总数n越多，得分S越多；性质：当n趋于无穷大时，退化为p，得分S由p决定；效果：当评论总数n越多时，好评率p带给得分S的提升越明显；性质：当分位数z越大时，总数n越重要，好评率p越不重要，反之亦然；效果：z越大，评论总数n越重要，区分度低；z越小，好评率p越重要；

引用资料：

http://www.lzhpo.com/article/115

https://m.jianshu.com/p/4d2b45918958

https://blog.csdn.net/mao15827639402/article/details/104714980

https://m.fujieace.com/php/algorithm/score.html

以上就是抖音里分享里的朋友是怎么排序的的全部内容，希望能够对大家有所帮助。