关于快手火爆背后的算法逻辑分析，看这一篇就够了

来源：三节课(微信号sanjieke01)

作者：侯奇颖

三节课注：

作为最早一批拿到短视频船票的产品，快手从默默无闻到饱受诟病，再到如今短视频社交领域的头牌，其背后一直有一套算法作支撑，本文将带你更深入的了解这套算法，了解快手火爆背后的终极原因。

快手如今已不是过去那个拥有超大用户量但江湖鲜有其传说的产品了。取而代之的，是快手几个让人印象深刻的数据：估值超过 100 亿，注册用户过 6 亿，月活跃用户1. 8 亿，DAU7000 万，每日UGC视频上传 1000 万条。这些数据让它没有异议地，成为了短视频社交领域的独角兽。

根据易观最新的报告， 2017 年 7 月短视频综合平台类App排名中，快手位列第一，MAU达1. 4049 亿人，活跃用户环比增幅2.68%。而位列第二、第三的土豆视频和火山小视频月度活跃用户均在两千余万人。

另外，我发现快手的产品表现层上几乎没有任何改动，架构上始终只有三个Tab“关注”、“发现”和“同城”。其在App Store上的版本记录里，每次都只有两点。

如此惊人的数据，产品前端却很简单，几乎看不到什么变动，而快手CEO宿华曾经提到过，推荐算法对快手产品影响很大，这都引发了我的好奇：从产品角度来说，到底快手凭什么长期成为短视频社交领域的头牌?它又为何选择个性化推荐算法的打法呢?

不管一款产品如何设计，最终的目的都是争夺用户的时间，提高用户的粘性，为最终的变现铺垫。短视频产品的核心数据是点击率和使用时长，一切都是围绕着提高这两者而展开的。而无疑，快手的数据已验证了推荐算法在短视频领域里的成功。

快手的产品思路是：

1、交互简单易懂，反过来积极影响算法;

2、组合各种推荐算法，覆盖用户不同需求，以达到尽可能推荐的视频都是用户想看的;

3、架构整体规划，用户使用产品的流程中，全程都影响算法，达到产品的个性化。

个性化推荐的目的在于通过全方位的数据，精准刻画出用户意图，针对性地给用户推荐其愿意观看的视频，提供极致的产品体验，提升视频观看率，增强用户黏性。产品的关键点就在于分析用户的意图，并将个性化的推荐结果通过巧妙的产品设计传达出来。另一方面，交互也会影响算法，由于交互界面的作用是用来搜集数据用的，实现提升推荐精准度的目的，因此交互反过来影响算法。

一、交互影响算法

打开快手app，在没有登录的情况下，界面非常简单，没有常见的视频类别，也没有按照视频热度的两个维度，即播放量和红心数的多少设置排行榜单，而是以瀑布流的形式展示内容。可以看到，优先展示的是红心数多的视频，有的红心数上万或上千，少数红心百位数或十位数，但视频却并非按照红心数从高到低排序，看起来完全是随机的。同时考虑视频的新鲜度，从时效性上优先展示的是一天内的视频。

在观看了几个视频再刷新后，会展示更多相类似的视频。未登录情况下，用户只能看视频，无法进行其他任何操作。

那么，为何不设置排行榜，且优先展示的是红心数而非播放量呢?

我想到的原因有两点：

1、排行榜需要更多运营的投入，同时容易培养大V，会起到主观引导流量的目的，快手不这么做，在战略上是有原因的，具体分析看下文。

2、在我看来，播放量是没有任何情绪色彩的，而红心有。红心这个行为是比播放更核心的用户行为。从这个角度来说，这也与主流的以播放量为第一考虑要素的方式有区别，个性化推荐需要的是与用户自己有关的信息，而不是其它。

二、推荐方法覆盖不同需求

组合各种推荐方法，可以覆盖到用户的大部分需求。用户再根据结果操作，这些显性和隐性反馈会持续再反馈给系统，系统最终将多种反馈得到的结果，按照一定的优先级规则给到用户，最终达到1+1> 2 的效果。

1、登录后三种不同推荐Tab，组合不同推荐方式

在登录后，会发现有三个Tab：“关注”、“发现”和“同城”。

默认Tab是“发现”，展示逻辑与未登录时相似;“关注”Tab里展示所有我之前关注的创作者的视频;点击“同城”，系统直接基于LBS数据匹配附近的人发布的视频，它强调的是视频生产者与观看者之间的实际距离。

那么，为何是按照这三个Tab来呢?我想到的逻辑是这样的：

• 围绕用户核心行为设计，免于教育用户的同时更有助于用户的沉淀;

• 多种推荐算法重叠，弥补不同算法的缺陷，使推荐结果更加精准;

• 持续维系好内容消费者和内容生产者的关系、纽带。

首先从产品设计角度来说，好的产品不需要去特意引导用户，能简单尽量简单。快手的用户需求就是看视频，产品在设计时需要思考如何让用户更高效地看到自己愿意看的视频就好。加功能容易，但能克制不让功能繁杂却很难，这是做产品的初心，快手一直保持着。

另一方面，这样做也与目前短视频常用的推荐算法有关。“发现”这个Tab，就是短视频常用的推荐方法：协同推荐系统和内容过滤系统这两种推荐方法结合的结果。

协同过滤系统就是通过用户历史观看视频的行为，分析用户兴趣给出推荐。但协同过滤算法有个缺点就是不能冷启动，因此需要混合别的算法，比如内容过滤系统。内容过滤系统，给用户推荐他们之前喜欢的视频内容相似的其他视频。

在体验的过程中我观察到，在我进行了观看、喜欢和关注几个创作者后，快手给我推荐的类似视频变多了。系统会搜集用户的显性行为，并进行优先级排序。最重要的几个显性行为包括了：点爱心、评论、观看视频长度、减少某类视频。

在“关注”这个Tab下，根据时间维度随机展示了此前关注的创作者的视频。从用户的主要需求“看视频”这个角度来看，只用时间维度也是合理的，因为在关注这个栏目中，用户的喜好已经很明确，不需要其他的东西来干扰用户决策。从另一个角度来说，“关注”栏目的播放量，也是生产者视频未来持续曝光的一个入口。往更深了说，“关注”提供了一个让内容消费者和内容生产者能持续交流的纽带。

内容推荐系统的核心，是计算两个视频在内容上的相似度。

（编辑：ASP站长网）