大家好，我是一名AI算法工程师。今天，我带大家了解一下算法是如何进行推荐的。
很多人觉得现在有个奇怪的现象，那就是有些人出其不意的就火了。比如，在网络上随意发了一个吃包子的视频，播放过万，评论过千。
与此同时，你呕心沥血精心制作的一些作品，发到网上，反而激不起一点浪花。
这种现象，我遇到过很多次，相信你可能也遇到过。其实，这并不是平台抽风乱选，其实是有理论依据的。今天，我们就来一起分析下其中的原理。
在以前，知识比较匮乏，面对需求，我们都是去寻找知识。比如，面对一个问题，我们会去询问相关专业的朋友，去图书馆查阅书籍资料，有条件的人甚至去网络上进行搜索。总之，我们是去主动寻找信息。
而现在迎来了知识爆炸的时代，信息多到让你眼花缭乱，你根本没有心思去筛选。甚至说，能提供到你屏幕上作为备选信息的，都已然是经过了算法的层层过滤。
作为一个内容创作者，你的作品是否能够获得展示的资格，也全靠你所在平台的推荐算法。也就是说，在茫茫信息里面，决定你作品是否受到关注的因素，并非是我们自认为的质量有多高，而是它是否符合当下算法的推荐需求。
很多人弄不清楚，到底发什么类型的作品会火？因此，他们提出一个"广撒网"的理论。操作方法就是多发作品，不求精致但数量一定要多。因为说不准某一个就火了。其实，这样并没有什么效果。反而还会让我们更找不到算法的评定规律，以至于将成绩推到玄学和运气。
那么，算法究竟是如何进行评定的呢？
不同的平台，会有不同的推荐机制，也就是我们说的调性。这正如你所遇到的场景：同一个视频，发在知乎没有浏览量，发到头条却火了。但是，这并不是说我们就无法摸清它们的规律。因为但凡叫"推荐算法"，它们的底层就会有一些相通的理论知识。这就如同老虎和狮子，虽然习性不同，但是都属于猫科动物。
下面我们就从算法角度来剖析一下它的基本原则。
一、个性化优先
要说AI会把什么样的信息推给一个人，那得看那个人什么样。因为系统是根据阅读用户的信息进行个性化推荐的。首先，AI会收集数据，包括用户的点击、浏览、购买等兴趣偏好。然后AI匹配出此用户感兴趣的内容发给他。
从这一点上来看，你的内容一定要有针对性。他们文化人叫"垂直领域"。比如我写过一篇文章，全文是讲解一个物理公式的。结果每个平台的数据都很好。这说明推荐并不是玄学，它是符合推荐基本原则的。
可能大家会有个疑问：一篇文章只讲一个公式，有多少人会看？谁没事看公式？其实从算法角度讲，如果遇到有人搜索这个公式，那么这一篇肯定会排在其他信息的前面（同等权重的情况），因为这篇的关联性最强。其实这很合理，就像你对一个公式感兴趣，其他作品都是一笔带过，而这个却通篇描述。你选哪个？
二、内容分析
上面说了，AI会把感兴趣的内容推给用户。那么，你的作品会被定义为什么内容呢？
AI会对内容进行分析，提取关键词、主题、标签等信息，用于理解作品的主题和内容特征。就这点的操作，结果会出乎大多数人的意料。
举个例子，你去小餐馆吃饭，要吃一碗朝鲜面。你在前台跟服务员说："来一碗朝鲜面，面少点，青菜多点，少放辣，多倒醋，我不吃香菜，哦，对了，不要煮得太烂"。结果，服务员朝后厨喊了一句："朝鲜面，一份"。
服务员将你的内容，从物品和数量的维度，提取为两个关键词传送给了制餐平台。你可能会"哎"一声，但是仔细一想，桌上有醋和辣椒，人家默认不放香菜，面少、菜多有标准吗？
我们再回到AI推荐系统，也是一样的道理。面对海量信息，AI不会对你的信息分析地太细致。因为这样不利于技术处理与检索。你写几千字，可能最后就总结成几十字。
我吃过一次亏。我写过一篇文章，介绍IT行业的职场故事，故事动人心弦，细节描述到位，而且金句频出，很能引起职场人的共鸣。当我发布在某个小平台后数据很好，引发了读者的激烈讨论。但是，当我投放到某大平台之后，从AI理解来看，完全不吸引人。
原来洋洋洒洒的4000多字，就这样被AI总结为56个字，丝毫体现不出文章的精髓。AI这样提取，既无法吸引读者，也不会给流量推荐。这类处理，也是造成各个平台不一致的原因。因为他们提取到的关键信息不一样，也就影响了你作品的推荐与否。
至于它们提取的规则，可能采用了不同的算法。比如TF-IDF（词频-逆文档频率）算法。
这个算法是一个传统算法。它会统计一篇文章中的两个信息。一个是词频，也就是特定关键词出现的次数。比如"AI"这个词的TF（词频），表示在某平台的所有文章里出现的次数。如果大家写的文章，都出现了"AI"这个关键词。然后你也写了一篇文章，里面提到了"AI"，那么"AI"的词频就很高。这表示，你这篇文章并不稀奇，大家都在写。
然后，它会再看第二个信息，那就是逆文档频率。它表示一个词在所有文章中出现的稀缺程度。两者结合，它可以评定出一个热门话题中的独特视角。这也是为什么你跟风随手发一个作品，莫名其妙就火了的原因。那可能是因为你的词频（TF）很高，是个热门。而你的逆文档频率（IDF）也很高，是热门中的独特视角，所以属于稀缺资源。又因为物以稀为贵，所以算法就给你推荐了。
除了TF-IDF算法，还有extRank算法，词嵌入模型等等。它们都可以统计出一个作品的关键信息。而这个关键信息，是相对于整个平台信息池里的重要程度。
三、热门和时效性
AI算法除了靠以上两点去评价内容，同时也会对内容进行一个热门话题的评定。比如，当下热搜是什么，平台鼓励发什么（一般是话题），这些也会给你的内容加分。一般推荐公式是：得分=个性化+相关性+热门度+......。这一点倒是被很多做自媒体的朋友捕获到了，因为他们常常说要跟着热门走。
但是请大家注意。这里的热门有两类，一类是大众真的关心的话题。另一类是平台鼓励大家发的话题。尤其是后者，一般平台缺少某类话题，就会鼓励创作者去发布这类内容，而且会给这类话题加流量。例如春天了，平台希望创作者多发春游类的内容。如果你照着做了，这也是会加分的。
四、其他规则
上面说的规则，算是基本规则。另外，AI推荐算法还有很多基本规则。
比如，反馈机制。它表示收集用户对推荐结果的反馈，包括点击率、喜欢与不喜欢的反馈，主要用于优化算法。简单来说就是AI猜测你喜欢这个信息，并推荐给了你，结果你真的点击了，而且还看了很久，还评论和收藏。那么这个反馈AI会收集到。说明这个信息确实不错，AI推荐得很对。
再比如协同过滤机制。这主要是针对新用户，它是基于用户行为和兴趣，找到与目标用户相似兴趣的其他用户。然后推荐这些相似用户喜欢的文章。形象地说就是，这个用户可能没有设置太多的偏好信息。但是AI通过通讯录或者好友等信息，推测你和别人属于同一类人，然后把别人的喜好推荐给你，假设你也是这类人。然后根据反馈效果进行下一步调整。
除此之外，算法也会加入多样性推荐，主要是避免AI推荐算法过度依赖用户的历史行为，引入一定程度的随机性或推荐多样性。这样可以防止用户陷入个性化信息之中，这在业内叫做防止过拟合。
另外作品的一些基础信息，比如文字字数，词汇的丰富度，句子的复杂情况，图文比例等等，也会作为评定一篇文章的辅助依据。但是，他们相比较于前面提到的几点，影响力可能会比较小。
最后，当所有的条件都一样的时候。AI推荐算法总是要计算出一个排名的，这时候会继续引入评判因素，比如你的发布时间。如果时间发得太晚，可能也会被淹没。如果恰好赶上大家都打开客户端，你也刚好发，可能会又一波流量。如果实在实在没法作出评判了，这时才会利用随机数，这才是玄学和运气，但是到这了一步说明你前面已经挺好了。所以，它占的比重不是很大。
上面就是从AI算法的角度评定作品推荐的策略，仅供大家参考。