互联网综合运营，试着以全网的角度去看互联网

抖音火遍大江南北，同时有无限的流量产生。

大家撸粉的撸粉，变现的变现。

但是现在上热门越来越难了，

为什么？

竞争大呗！

拿到更好的权重 才能有更多的曝光，才有上热门的机会。

怎么拿到更多的曝光权重呢？

俗话说：知己知彼，百战不殆！

那我就先来了解一下抖音的排名算法是什么？

抖音的排名算法类似：威尔逊得分排序算法

01

PART

什么是威尔逊算法？

下面简单给大家介绍一下：

威尔逊得分方法主要综合考虑总数量和喜欢类型的比例p,而不是单独情况考虑（如下）：

示例：喜剧视频在10次观看中，6次被喜欢，4次不被喜欢；运动类视频在1000次观看中，550次被喜欢，450次不被喜欢

问题：喜剧类视频和运动类视频哪个更受欢迎？

第一种得分方法：得分 = 赞成票 - 反对票 ；很明显，方法一表示运动类视频更受欢迎

第二种得分方法：得分 = 赞成量/总量；很明显，方法二表示喜剧类视频更受欢迎

当样本总量都很大时，其实方法二比较正确，用相对量点赞率作为评分标准，但当总量很小时，比如2次观看中，2次都被喜欢，点赞率岂不是100%，但是因为总量太少不足以说明其可信度。

因此我们可以采用威尔逊置信区间法，有如下设定：

1.视频每次被观看都是独立事件;

2.视频的反馈只有两种：被喜欢和不被喜欢;

3.视频的观看总量为n,其中有k次被喜欢，喜欢的比例p等于k/n.

不难看出，这是一种统计分布，即二项分布：假设在n次独立的实验中，每次试验成功的概率为p,所有成功次数K就是服从参数n和p的二项随机变量。

一般而言，p越大，就代表这类视频的好评比例越高，越应该排在前面。但是，p的可信性，取决于有多少次观看总量，如果样本太小，p就不太可信。就好比一个实验只做一次成功了就说这个实验完美了，也许这次的成功是碰巧因素，我们需要不断地重复做这个实验检验其成功的可信度。我们知道p是二项分布中某个事件的发生概率，可以计算出p的置信区间。

举个例子：喜剧类视频的点赞率是60%，但是这个概率不可信，根据统计学，可以说有95%(这里是置信水平0.05）把握，其点赞率在55%到65%之间，则其置信区间就是[55%,65%]. 根据样本量对置信区间的影响，当置信水平（）固定的时候，样本量越大，置信区间越窄。（另外补充：当样本量不变时，置信水平越高，置信区间越大)。

置信区间和样本总量这一关系，就可以对概率p可信度进行修正，弥补样本量过小和样本总量差异太大的影响。

当样本总量很小时，说明概率p 不一定可信，需要进行修正，其置信区间比较宽，下限值会比较小；

当样本量比较大时，说明比较可信，不需要较大的修正，其置信区间比较窄，下限值会比较大；

接下来，对不同类型的视频进行排名算法比较清晰了：

第一步：计算每类视频的点赞率；

第二步：计算每个点赞率的置信区间；

第三步：计算置信区间的下限值（wilson-s，进行排名。这个下限值越大，排名越高。

可以看到，当n的值足够大时，这个下限值会趋向p^。如果n非常小，这个下限值会大大小于p^。实际上，起到了降低"赞成票比例"的作用，使得该类视频的得分变小、排名下降。实际示例中也的确如此。

02

PART

具体实操怎么做？

看到这里，可能你已经晕了，不知道在说什么了。没关系，那么我接下来用大家容易理解的方式来告诉大家怎么样去做：

在上述公式中，w-与w+为区间值，(w-+w+)/2为平均值。根据公式计算出我们在做平台型推广时主要发力点在哪里。

换句话说，当我们的样本数量很大的时候，不需要对视频/内容进行修正，但是当样本数量较小的时候，也就是我们刚刚发布视频/内容的时候，点赞数、评论数很少的情况下，算法就会降低P值，我们就要根据这个算法来拉高P值，以提升我们的得分而拉高我们的曝光量。

而在这里，权重分值计算：U为加权赞同票数，V为加权反对票数，N为总票数。P为好评率，ZA为参数（常量）。

里面计算案例有三种：①固定反对票时，赞同票越多得分越高。②固定赞同票，反对票越低得分越高。③固定赞同与反对比例，总票数越多得分越高。
这个算法的潜在问题是，高票回答的惩罚会比较严重，因为考虑到时间轴，网站属性与用户的同质性，会对一些明显具有站队性质的高票回答进行严重惩罚。也就是说”中间选票“的高票回答加权分更明显。
换句话说：“相对温和+不得罪人+干货“会被系统判定加权。
------------当然，这是系统算法下的推算答案，但里面是有我们是可以利用的规则漏洞--基于社交属性下的规则漏洞！

那么，在这里面，我们会发现，n与p之间的关系存在一种跷跷板的关系：

当n较小时候，p值会增加，但并非一种无限增加。

当n较大的时候，p值会降低，也并非无限降低。

（有心的小伙伴可能会发现，在高赞回答、评论时，这类回答有时候反而会排在后面，而简单的回答则会排在前面，这就是n值很大的时候，算法推算出来的结果）

所以这里面就会出现一个平衡点。而我们就需要找到这个平衡点关系，也就是常量，或者说系数。

当然，我们在视频、内容发布之后，还需要考虑时间轴的关系、分散机制等因素。这里不做一一赘述。

总的来讲：注意公式中的N值与P值的平衡关系。N过大时，做P值。P值过大时做N值。同时注意，互动率关系。

03

PART

结合流程，我们怎么做？

上面就是算法机制的操作方式，同时我们要上热榜，就得结合抖音的视频处理流程来操作数据：

根据抖音的流程：

上传视频→初期算法推荐→评估效果→是否继续推荐→反应良好继续推荐/不好停止推荐→一定影响力及播放量之后，人工评审→是否进入“精品池”→进入，获取高曝光→热榜首页

总结

我们结合上述的算法机制：

在初期算法推荐机制里，这个时候我们的n值是比较小的，而p值较高，如果这个时候我们加大p值，那么很大几率上会被系统判断作弊导致限流或者封号。所以，这个时候我们需要做的事是拉高n值。

而在第二次算法机制时，这个时候，我们就需要考虑两者的平衡关系，也就是具体的数据比例问题，我们之前对知乎的文章做过统计，可以得出：评论数/赞同数>10%，回评互动率在20%~30%中间最好。时间衰变期不能超过3个月~7个月。短期爆发值：7天之内。等相关的比例数据。那么抖音，也是可以通过统计大量的账号数据之后得到这个参数值。

在后期算法机制时，n非常大，则无限趋向p。所以这个时候，我们需要操作的就是计算互动率，以保持稳定曝光。