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：
PS：关于z参数，即正太分位数 。正太分位数影响wilson得分的分布，z参数取值依据就是样本数的量级 。举个例子：同样是100个样本，90个好评，z取值2或6，分数差别很大，体系所容纳（或区分）的样本数也相差较大（同样是0.82分和90%好评率，z=2需要100个样本，z=6需要1000个样本），一般而言，样本数的量级越大，z的取值大 。
威尔逊得分算法的分布图
实例：假设医生A有100个评价，1个差评99个好评 。医生B有2个评价，都是好评，那哪个应该排前面？
在z=2时，即95%的置信度，医生A的得分是0.9440，医生B的得分是0.3333，医生A排在前面 。
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
【抖音推荐机制的特征是什么】 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地可信度 。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，弥补样本量国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；
推荐阅读
- 2023年3月31日浙江省成品油价格按机制下调
- 扬州瓜洲旅游景点有哪些 扬州瓜洲旅游路线打卡推荐
- 黑五类产品指的是什么 抖音黑五类产品指的是什么
- 数学教师必读书目推荐最新 数学教师必读书目
- 抖音朗读的声音如何做 这些方法真好用 抖音朗读的声音如何做
- 连云港网红步行街 连云港市健身步道汇总推荐
- 一加手机推荐买哪款手机性价比高？为什么？
- 抖音头像皇冠怎么设置 抖音头像皇冠怎么弄
- 一血万杰开局选哪两个 一血万杰新手推荐
- 适合女生的解密、烧脑游戏，有哪些推荐？