🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

写在前面

某音作为风靡中外的一款音乐创意短视频社交软件，其成功性不言而喻，一直听说其强大的“威力”，但却从没深入研究过，作为人民的先锋队，这怎么行，毅然决然的我，在上周五注册了一个账号，但没想到的是等待我的确是一条不归路~（以下内容纯属个人经历与个人看法，没有任何代表性，图一乐呵儿）

一个视频在发出后要面临什么？

初入抖音的我很快就被它背后神奇的推荐算法，引流手段，DOU+上热门计划深深的吸引住了。

抱着试试看的态度，我尝试发了我第一个视频。在发之前我也是四处取经，怎么写文案，怎么配背景音乐，怎么找和文案有呼应的视频和照片。

最后在我高超的视频剪辑技术之下（也就废了刷五六道算法题的时间），终于把它发出去了。

了解到，抖音平台对每一个视频是有系统推荐的基础流量的（这里考虑到新用户首个视频的特殊性，这里从第二个视频开始分析）。

短视频发布后抖音一般会进行的一系列推荐流程。

如果从技术层面去分析的话，那是相当复杂的，涉及很多数学层面的知识，但我始终相信，一切知识都是简洁的。

所以我们何不以问题为导向，如果说你是某一鸣，可能的未来首富，你会如何去留住某音平台的创作者与用户们？

打分算法

在我把我的这个视频发出去之后，就开始了焦急的等待，人嘛，嘴上说着我不在乎，其实心里都希望获得一种认同感的。

看到有人观看点赞自己的作品，心里不开心是假的，真正做到宠辱不惊，不以物喜不以己悲，那也是看得多了，习惯了而已。

很快，距离我发布这个作品马上到一个小时了，但观看数据仍然是没有什么变化的，大约在1~2个小时之后，数据出现断崖式的增长，这说明平台开始给你引流了。

而这一套引流的机制，要看四个标准：点赞量、评论量、转发量、完播率。

也就是在这个阶段你作品的质量就会打上一个又一个的标签，最后得到一个综合得分，来决定该作品的曝光率，而且这种曝光是层层递进的，上个阶段的总分决定你下个阶段的曝光率，当然如果你在第一个阶段的效果就不行，那也就不需要第二阶段了。

即播放量=A×完播率+B×点赞率+C×评论率+D×转发率

看了我视频的播放量，原来我连第一阶段都算不上，这可太惨了。

这一两百的播放，还是我冒着被围观社死的风险，分享到了我那些相亲相爱的一家人的群里，结果，果然被围观了。（不过，也让我明白一个道理，这世界上能永远无私对你好的只有你的父母，他们会在你的每一个作品下点赞，赞美天下父母）。

DOU+上播放量

如果说，要我说谁是这个世界上最大的大怨种，那这个人就是我（我自以为）。

来到这世上二十几载岁月，从没有让任何一个平台从我身上割下一把韭菜的我，被割了一把。

看到这个作品鹤立鸡群的播放量没，这是我花了30大洋送上去的。

结果投放质量不好，还被嘲讽了一波，也是属实扎心了。

一个简单的推荐算法实例

网上这种例子很多，这里给大家找了一个。

python实现协同过滤推荐算法完整代码示例： https://www.jb51.net/article/130674.htm

#!/usr/bin/python3
# -*- coding: utf-8 -*-
from numpy import *
import time
from texttable import Texttable
class CF:def \_\_init\_\_(self, movies, ratings, k=5, n=10):self.movies = moviesself.ratings = ratings# 邻居个数self.k = k# 推荐个数self.n = n# 用户对电影的评分# 数据格式{'UserID：用户ID':[(MovieID：电影ID,Rating：用户对电影的评星)]}self.userDict = {}# 对某电影评分的用户# 数据格式：{'MovieID：电影ID',[UserID：用户ID]}# {'1',[1,2,3..],...}self.ItemUser = {}# 邻居的信息self.neighbors = []# 推荐列表self.recommandList = []self.cost = 0.0# 基于用户的推荐# 根据对电影的评分计算用户之间的相似度def recommendByUser(self, userId):self.formatRate()# 推荐个数 等于 本身评分电影个数，用户计算准确率self.n = len(self.userDict[userId])self.getNearestNeighbor(userId)self.getrecommandList(userId)self.getPrecision(userId)# 获取推荐列表def getrecommandList(self, userId):self.recommandList = []# 建立推荐字典recommandDict = {}for neighbor in self.neighbors:movies = self.userDict[neighbor[1]]for movie in movies:if(movie[0] in recommandDict):recommandDict[movie[0]] += neighbor[0]else:recommandDict[movie[0]] = neighbor[0]# 建立推荐列表for key in recommandDict:self.recommandList.append([recommandDict[key], key])self.recommandList.sort(reverse=True)self.recommandList = self.recommandList[:self.n]# 将ratings转换为userDict和ItemUserdef formatRate(self):self.userDict = {}self.ItemUser = {}for i in self.ratings:# 评分最高为5 除以5 进行数据归一化temp = (i[1], float(i[2]) / 5)# 计算userDict {'1':[(1,5),(2,5)...],'2':[...]...}if(i[0] in self.userDict):self.userDict[i[0]].append(temp)else:self.userDict[i[0]] = [temp]# 计算ItemUser {'1',[1,2,3..],...}if(i[1] in self.ItemUser):self.ItemUser[i[1]].append(i[0])else:self.ItemUser[i[1]] = [i[0]]# 找到某用户的相邻用户def getNearestNeighbor(self, userId):neighbors = []self.neighbors = []# 获取userId评分的电影都有那些用户也评过分for i in self.userDict[userId]:for j in self.ItemUser[i[0]]:if(j != userId and j not in neighbors):neighbors.append(j)# 计算这些用户与userId的相似度并排序for i in neighbors:dist = self.getCost(userId, i)self.neighbors.append([dist, i])# 排序默认是升序，reverse=True表示降序self.neighbors.sort(reverse=True)self.neighbors = self.neighbors[:self.k]# 格式化userDict数据def formatuserDict(self, userId, l):user = {}for i in self.userDict[userId]:user[i[0]] = [i[1], 0]for j in self.userDict[l]:if(j[0] not in user):user[j[0]] = [0, j[1]]else:user[j[0]][1] = j[1]return user# 计算余弦距离def getCost(self, userId, l):# 获取用户userId和l评分电影的并集# {'电影ID'：[userId的评分，l的评分]} 没有评分为0user = self.formatuserDict(userId, l)x = 0.0y = 0.0z = 0.0for k, v in user.items():x += float(v[0]) * float(v[0])y += float(v[1]) * float(v[1])z += float(v[0]) * float(v[1])if(z == 0.0):return 0return z / sqrt(x * y)# 推荐的准确率def getPrecision(self, userId):user = [i[0] for i in self.userDict[userId]]recommand = [i[1] for i in self.recommandList]count = 0.0if(len(user) >= len(recommand)):for i in recommand:if(i in user):count += 1.0self.cost = count / len(recommand)else:for i in user:if(i in recommand):count += 1.0self.cost = count / len(user)# 显示推荐列表def showTable(self):neighbors_id = [i[1] for i in self.neighbors]table = Texttable()table.set_deco(Texttable.HEADER)table.set_cols_dtype(["t", "t", "t", "t"])table.set_cols_align(["l", "l", "l", "l"])rows = []rows.append([u"movie ID", u"Name", u"release", u"from userID"])for item in self.recommandList:fromID = []for i in self.movies:if i[0] == item[1]:movie = ibreakfor i in self.ItemUser[item[1]]:if i in neighbors_id:fromID.append(i)movie.append(fromID)rows.append(movie)table.add_rows(rows)print(table.draw())
# 获取数据
def readFile(filename):files = open(filename, "r", encoding="utf-8")# 如果读取不成功试一下# files = open(filename, "r", encoding="iso-8859-15")data = []for line in files.readlines():item = line.strip().split("::")data.append(item)return data# -------------------------开始-------------------------------
start = time.clock()
movies = readFile("/home/hadoop/Python/CF/movies.dat")
ratings = readFile("/home/hadoop/Python/CF/ratings.dat")
demo = CF(movies, ratings, k=20)
demo.recommendByUser("100")
print("推荐列表为：")
demo.showTable()
print("处理的数据为%d条" % (len(demo.ratings)))
print("准确率： %.2f %%" % (demo.cost * 100))
end = time.clock()
print("耗费时间： %f s" % (end - start))

主要任务

1、初始化数据

获取movies和ratings，转换成数据userDict表示某个用户的所有电影的评分集合，并对评分除以5进行归一化，转换成数据ItemUser表示某部电影参与评分的所有用户集合

2、计算所有用户与userId的相似度

找出所有观看电影与userId有交集的用户，对这些用户循环计算与userId的相似度，获取A用户与userId的并集。格式为:{‘电影ID’,[A用户的评分,userId的评分]}，没有评分记为0，计算A用户与userId的余弦距离，越大越相似

3、根据相似度生成推荐电影列表

4、输出推荐列表和准确率

写在最后

记得前段时间社会上曾出现过关于推荐系统究竟是服务了我们生活，还是限制了我们的生活的大讨论。

2021年8月27日，国家互联网信息办公室发布了关于《互联网信息服务算法推荐管理规定（征求意见稿）》公开征求意见的通知。其中第十五条规定:

算法推荐服务提供者应当向用户提供不针对其个人特征的选项，或者向用户提供便捷的关闭算法推荐服务的选项。用户选择关闭算法推荐服务的，算法推荐服务提供者应当立即停止提供相关服务。算法推荐服务提供者应当向用户提供选择、修改或者删除用于算法推荐服务的用户标签的功能。

更是引发了人们对推荐算法这一技术的关注。

就像哈佛大学教授桑斯坦（Cass R. Sunstein）在2006年出版的《信息乌托邦》（Infotopia）一书中提出的**信息茧房（Information Cocoon）**这一概念：

当个体只关注自我选择的或能够愉悦自身的内容，而减少对其他信息的接触，久而久之，便会像蚕一样逐渐禁锢于自我编织的“茧房”之中。

我们知道这是陷阱，这是牢笼，但仍会跨入其中。很难去讲这些对对错错，我们确实在享受它带来的便利，又被它深深套牢。

但有一点是无可厚非的：技术本身是没有对错而言的，关键在用这项技术的人或团体，有力量的武器应该在更严格的监督制度中。

好了，以上便是这次的所有内容了。

迟来的端午祝福送给大家：

（不说了，剪视频去了，趁着周六周日，把下周的要发的内容全剪完）

参考文献：

漫画来源小林漫画
http://t.csdn.cn/xxe7C
http://t.csdn.cn/XEG1j
http://t.csdn.cn/J4VR7
https://juejin.cn/post/7020246064955392013
https://www.zhihu.com/question/270224768/answer/1542280267
https://zhan-bin.github.io/2018/10/14/5种常用的推荐系统算法/
https://baike.baidu.com/item/推荐算法/6560536