推荐精准度：
在推荐系统中，推荐精准度表现为对用户点击和点击率的预判，和对消费情况的预判；
推荐覆盖度：
好的推荐系统，也能够给用户提供视野范围之外的内容；推荐覆盖度比较大。
在评估用户的展示历史中，以各种题材、类目、话题的丰富程度为评估指标，丰富度越高，覆盖度越大，代表个体体验的多样性越好。
推荐系统评估指标，包括视频内容的提前预判；客观上，也是对视频内容连接到人的后期验证，我们需要在数据指标基础上，在视频制作环节围绕丰富度，帮助系统更好、更快地发现潜在用户。
六、优化内容及冷启动
如何优化?
展现层：探寻不同创意，面向不同人群，需找更适合产品到人的表现形式；
技术层：尽可能的挖掘和完善不同载体的特征和权重；
作者层；完善内容信息，比如给视频增加简介和备注；或结合时下热点进行创作。
对冷启动的内容
基于文本，分析抽离出内容或产品的关键字，根据关键字建立产品人群画像。
冷启动用户:
在冷启动阶段，新用户更倾向于热门内容，而老用户则更需要长尾内容。我们需要在有限的展示次数中，尽快确定用户的主要偏好，将我们产品的卖点，与用户的偏好进行结合。
探测用户偏好，选取内容的基本策略是: 基于已有用户群体的偏好统计数据，选择有区分度的内容；并按照覆盖面由大到小的次序；
探索到用户的偏好，从而尽快发现用户的主要兴趣点，并推荐和这兴趣相关的产品内容，以换取更高的点击率。
而当新用户已经成了老用户，在已经实现短期留住用户的前提下，推荐系统在一定程度上牺牲短期点击率，来探索用户更广泛的兴趣，从而获得用户长期留存率的提升。
兴趣探索
对推荐系统而言，用户的兴趣探索是绕不开的一环，可以从内容投放和用户消费等角度来探知。
内容投放角度：
1、用产品的细分卖点，引导新品类、新品牌的加权分发，将全人群的强展现转为特定人群的强展现，从而换取可能更高的点击率。
2、对老用户新兴趣的探索，可以概括为“以时间换效果"，只要用户在应用内停留的时间足够长，系统就有机会通过各种中低频的方式，获取用户的数据，来完善用户画像。
用户消费：
1、随着用户停留时长的增加，用户会产生更多的主动动作，如评论、关注、搜索、调整频道顺序，和主动访问不同功能页，或者产生消费等，这些主动动作都会给用户画像补充新的信息。
2、另一方面，系统会基于用户已有的偏好，进行更广泛的兴趣探索。如用户冷启动后，系统会基于统计学，测试喜欢A的用户，有多大概率喜欢B,喜欢A和B的用户有多大概率喜欢C；从而来给用户推荐新领域的内容，逐步探索和完善用户画像。
用户画像数据分为2类
动态：用户在产品场景中，所产生的显式或隐式行为，点赞、 评论、分享、关注等，
产品场景不同，不同行为的权重也不同；
静态：用户独立于产品场景以外的属性，如:性别、年龄、婚育状况等。
基于以上内容算法，抖音短视频可以以产品的精准人群定位、用户的内容兴趣探索、以及丰富度上来做产品的视频内容。产品视频做得好，通过抖音直通车可以更好的起爆站位流量，打造适合全域人群的大爆款！
短视频的内容算法的基础理论，先分享到这里，大家可以先琢磨消化一下。不知道大家对抖音信息流是否感兴趣，如果对抖音信息流带动店铺流量的实操非常感兴趣的，也可以留言！下期再给大家分享电商风口，抖音信息流逆转流量瓶颈和打造爆款的实操！
