从今天开始，我们进入课程的最后一个模块——与算法共舞。
算法就是社交媒体平台用来分析用户数据、推荐内容的一整套计算规则，是你的内容从上传到平台到抵达用户，必然经过的一个环节。
但一提到“算法”，很多朋友容易产生两种极端心态：一种是恐惧。觉得它像个黑箱，所以干脆听天由命，数据好坏全看运气；另一种是轻视。觉得算法不过如此，试图通过刷数据、蹭热点、标题党这些短期技巧蒙骗算法获得流量。
这两种心态都有问题。恐惧让你失去主动权，轻视则让你陷入短期陷阱。
那应该怎么办呢？
答案是：理解算法。
算法没那么神秘。它有自己的目标，也有自己的规则。只要你理解了这些，就能跟算法“协同作战”。
我曾经在一家中型互联网公司担任运营副总裁，负责用户增长。那几年，我跟公司的算法总架构师、CTO 交流非常多，甚至因为业务的原因，我们还经常争执。我要流量，推爆款，拉新用户；他要平衡生态，防止劣币驱逐良币，保护内容多样性。
这段经历，让我对算法有了很多认知。今天，我就把我积累的这些认知分享给你。我不会教你过于技术性的东西，而是会讲清楚算法的底层逻辑，从根源上让算法和数据成为你内容创作的助力。
算法到底想干什么？
要理解算法，首先得搞清楚它的目标。
字节跳动早期产品负责人闫泽华说过，从社交媒体平台的视角来看，算法的核心目标是：在特定场景下，让人和信息更高效地连接。
你可以记住三个关键词：信息、人、效率。
在算法眼中，“信息”其实比我们想象的要丰富得多。
信息包括各种形式。文字、图片、视频、声音，都是信息。但同时，信息不只是内容本身。标题、标签、摘要、封面，这些辅助信息也都是算法识别的对象。信息还包括你看不见的东西。比如，一条视频的风格是欢快还是阴郁？画面是明亮还是昏暗？甚至，哪怕你通篇没提某个人的名字，但如果你描述了这个人的特征，算法也能通过内容理解、识别出来。
第二个关键词，人。
算法不仅要理解信息，还要理解人，也就是用户。
用户可以被算法识别的特征，主要有两类：一类是静态用户画像。也就是相对稳定的属性，比如性别、年龄、学历、婚育状况、常住位置等等。
另一类是动态用户画像。也就是用户在平台上的行为。这又分两种：显性行为，就是你能看见的，比如点赞、评论、分享、关注。
隐性行为，就是你看不见的，比如停留时长、滑动速度、是否重复观看。
通常，显性行为的权重要高于隐性行为。但因为毕竟不是每条内容用户都会点赞、评论、转发，所以算法还需要隐性行为来补充判断。
第三个关键词，效率。
算法必须做两件事：一是准确推荐。也就是把内容推荐给喜爱它的用户。
二是覆盖推荐。也就是算法不仅要推荐用户确定喜欢的，还要推荐用户可能喜欢但还不明确的。
准确度是“给你明确想要的”，覆盖度是“给你可能想要的”。两者结合，才叫高效率。
信息、人、效率，左边是信息，右边是人，算法要做的，就是高效地把两边连接起来。
算法的三层工作
那算法是怎么实现这个目标的呢？
简单说，算法要做三层工作：第一层是识别。算法要先识别信息和人，知道“这是什么”“那是谁”；第二层是匹配。算法要找到合适的人来看合适的内容，实现“高效的”连接；第三层是调控。算法要平衡不同内容的推荐机制，实现“多样”覆盖；同时引入某些规则，保证平台生态健康。
算法的识别工作
我们先说第一层，识别。
为了尽可能准确地识别信息和人，算法会做一件事情，那就是打标签。
就是给复杂的事物贴上准确且特征单一的标记。
你可以把它想象成图书馆的分类系统。一本书有几十万字，但图书馆不可能把每个字都做标记。它会抽象出一些单一不可拆解、同时又可以准确定义与分类的标签，比如“悬疑”“爱情”“文学”等等。算法也是这样，它需要给内容和人都打上标签，方便信息的准确匹配。
标签既可以打在内容上，也可以打在人上。比如，一本书叫《爱的艺术》，标签可能是：作者弗洛姆、心理学、哲学、豆瓣 8.8 分。一个人，比如画家黄永玉老先生，标签可能是：画家、“猴票”设计者、老顽童等等。
算法的匹配工作
我们再来看第二层，匹配。
给信息和人打好标签之后，算法就要开始对它们做匹配工作了。这一层有两条原则：首先是物以类聚。
什么意思？就是算法会根据内容的相似性进行推荐。
算法会分析你喜欢的内容本身的特征，比如它的标签、关键词、主题，然后推荐特征相似的其他内容给你。比如你喜欢带“滑雪”标签的视频，算法就会推荐其他“滑雪”视频给你。
除了“物以类聚”，算法还会通过“人以群分”来进行匹配工作。
就是把跟你相似的用户也喜欢的内容，推荐给你。听起有点抽象，我来给你打个比方。就好比你去餐厅吃饭，服务员说：“跟您口味相似的客人，都点了这道菜，您要不要尝尝？”这就是人以群分。
算法的调控工作
打好了标签，做好了匹配，还有一个事情需要解决，那就是根据实际情况，去调控内容与人群匹配的数量。这就是我们说的调控层。这一层有三条规则。
首先是冷启动。
你可以把冷启动想象成“试吃”。你开了家餐厅，算法先让 100 个人免费试吃。如果大家都说好吃，就让 1000 人来试；如果还是好评如潮，就让 10000 人来。但如果第一批 100 人都说难吃，那对不起，你的餐厅就没机会了。
冷启动的逻辑也类似。当内容刚刚发布时，算法会根据内容标签和作者标签，将内容推荐给少量匹配人群，根据用户反馈决定下一步流量的多寡。
如果内容得不到足够的正面反馈，系统就会认为这条内容不受欢迎，就会逐步降低推荐量。反之，如果内容在冷启动过程中顺利找到了自己的目标人群，收获了很高的用户反馈数据，就有可能被推荐系统快速放大，具有成为爆款的可能。
所以，“冷启动决定一条内容的命运”，这个说法丝毫不为过。
如果你关注算法，可能听过“赛马机制”这个说法。就是你的内容会跟其他同类型内容进行比拼，谁跑赢了，就给谁流量。
这说的就是调控层的第二条规则：排序。
算法会根据多个指标给内容打分，然后排序。这些指标包括：完播率、点赞率、评论率、收藏率、分享率、停留时长等等。
但这里有个关键：不同指标的权重是会变化的。也就是说，算法在给内容打分时，每个指标占的比重不一样，而且这个权重分配会变化。
首先，它根据平台不同阶段调整。
比如在早期阶段，为了繁荣内容生态鼓励创作者，平台可能会把播放量、点赞量这些显性数据的权重调高：只要有人看、有人点赞，就给流量。
而在中期，可能为了树立某种领域的标杆，会把粉丝关注数的权重加强。
因此，大 V 的内容更容易获得推荐。
到了后期，平台有可能为了加强算法推荐的覆盖度，反而会降低粉丝关注数的权重，引入“铁粉”，也就是非常忠诚的粉丝这个概念，提高铁粉互动的权重，平衡大 V 和新创作者的流量分配。
其次，指标的权重分配也会根据实时情况动态调整。
这时候算法就开始自动排序，排序规则也很难一言以蔽之。所以那些声称找到算法规则，能帮你拿到流量的人，很可能是在忽悠你。
最后一条规则，叫重排序。
效率是算法的目标，我们一开始就讲过这个理念。但算法要考虑的，不仅仅是效率。因为数据是无意识形态的，当以效率为唯一目标时，常常会触及人性的边界，有可能让这些人性的阴暗面被放大。这时候就需要引入重排序。也就是平台通过引入某些规则来矫正算法，让推荐不只看效率，还要符合法律、道德、生态健康的要求。
重排序是与数据最远的一个算法规则，往往都是社交媒体平台的运营方来制定和执行。
这些规则可能包括：跟法律法规有关的规则，比如违禁词；跟生态健康有关的，比如限流抄袭和搬运；跟公序良俗有关的，比如针对即将失控的热点进行降权；或者跟阶段目标有关的，比如限制娱乐类内容、鼓励知识类内容等等。
好，调控层的三条规则就讲完了。我们再回顾一下：算法通过冷启动测试内容质量，决定初始推荐力度；通过排序持续调整推荐力度；通过引入重排序，矫正算法，保证平台生态健康。
本讲总结
好，这讲到这里就讲完了，我来总结一下：算法的核心目标是：在特定场景下，让人和信息更高效地连接。
算法要做三层工作，每一层遵循相应的规则：识别层，遵循打标签规则，从而识别你的内容和你的目标用户；匹配层，遵循物以类聚和人以群分两个规则，实现内容和人的高效匹配；调控层，遵循冷启动、排序和重排序的原则，决定推荐和调整的力度。
了解这些目标和规则，你就能建立对算法的整体认知，才能跟算法协同一致，知道该做什么、不该做什么。
本讲练习
如果学习完之后还有余力，我建议你去阅读闫泽华的《内容算法》这本书。
这本书虽然写得比较早，但讲的是基础原理，而且是站在“内容”角度讲算法，对正在做自媒体的你很有帮助。
下讲预告
下一讲，我们继续聊算法。
划重点
1.算法的核心目标是：在特定场景下，让人和信息更高效地连接。
2.算法在识别层遵循打标签的规则，从而识别你的内容和你的目标用户。
3.算法在匹配层遵循物以类聚和人以群分两个规则，实现内容和人的高效匹配。
4.算法在调控层遵循冷启动、排序和重排序的原则，决定推荐和调整的力度。