---

作为。因原最早一批拿到短视频船票的产品，快手从默默无闻到饱受诟病，再到如今短视频社交领域的头牌，其背后一直有一套算法作支撑，本文将带你更深入的了解这套算法，了解快手火爆背后的终极原因。

快手如今已不是过去那个拥有超大用户量但江湖鲜有其传说的产品。兽角独的域领交社频视短了。取而代之的，是快手几个让人印象深刻的数据：估值超过 1000 亿，注册用户过 10 亿，月活跃用户1.5 亿，DAU 7000 万，每日UGC视频上传 1000 万条。这些数据让它没有异议地，成为了短视频社交领域的独角兽。

快手算法揭秘：个性化推荐

按照易观最新的报告，2020年11月短视频综合平台类App排名中，快手位列第一，MAU达1.5亿人，活跃用户环比增幅2.6%。而位列第二、第三的抖音视频和火山小视频月度活跃用户均在两千余万人。

别的，我发现快手的产品表示层上几乎没有任何改动，架构上始终只有三个Tab“关注”、“发现”和“同城”。其在App Store上的版本记录里，每次都只有两点。

如此惊人的数据，产品前端却很简单，几乎看不到什么变动，而快手CEO宿华曾经提到过，推荐算法对快手产品影响很大，这都引发了我的好奇：从产品角度来说，到底快手凭什么长期成为短视频社交领域的头牌?它又为何选择个性化推荐算法的打法呢?

交互简单易懂，反过来积极影响算法

不管一款产品如何设计，最终的目的都是争夺用户的时间，提高用户的粘性，为最终的变现铺垫。短视频产品的核心数据是点击率和使用时长，一切都是围绕着提高这两者而展开的。而无疑，快手的数据已验证了推荐算法在短视频领域里的成功。

快手的产品思路是：

• 交互简单易懂，反过来积极影响算法;
• 组合各种推荐算法，覆盖用户差别需求，以达到尽可能推荐的视频都是用户想看的;
• 架构整体规划，用户使用产品的流程中，全程都影响算法，达到产品的个性化。

个性化推荐的目的

个性化推荐的目的在于通过全方位的数据，精准刻画出用户意图，针对性地给用户推荐其愿意观看的视频，提供极致的产品体验，提升视频观看率，增强用户黏性。产品的关键点就在于分析用户的意图，并将个性化的推荐结果通过巧妙的产品设计传达出来。另一方面，交互也会影响算法，由于交互界面的作用是用来收集数据用的，实现提升推荐精准度的目的，因此交互反过来影响算法。

一、交互影响算法

打开快手app，在没有登录的情况下，界面非常简单，没有常见的视频类别，也没有根据视频热度的两个维度，即播放量和红心数的多少设置排行榜单，而是以瀑布流的形式展示内容。可以看到，优先展示的是红心数多的视频，有的红心数上万或上千，少数红心百位数或十位数，但视频却并非根据红心数从高到低排序，看起来完全是随机的。同时考虑视频的新鲜度，从时效性上优先展示的是一天内的视频。

在不观看几个视频再刷新后，会展示更多相类似的视频。未登录情况下，用户只能看视频，无法进行其他任何操作。

那么，为何不设置排行榜，且优先展示的是红心数而非播放量呢?

我想到的原因有两点：

• 排行榜需要更多运营的投入，同时容易培养大V，会起到主观引导流量的目的，快手不这么做，在战略上是有原因的，具体分析看下文。
• 在我看来，播放量是没有任何情绪色彩的，而红心有。红心这个行为是比播放更核心的用户行为。从这个角度来说，这也与主流的以播放量为第一考虑要素的方式有区别，个性化推荐需要的是与用户本身有关的信息，而不是其它。

二、推荐方法覆盖差别需求

组合各种推荐方法，可以覆盖到用户的大部分需求。用户再按照结果操作，这些显性和隐性反馈会持续再反馈给系统，系统最终将多种反馈得到的结果，根据一定的优先级规则给到用户，最终达到1+1>2的效果。

登录后三种差别推荐Tab，组合差别推荐方式

在登录后，会发现有三个Tab：“关注”、“发现”和“同城”。

默认Tab是“发现”，展示逻辑与未登录时相似；“关注”Tab里展示所有我之前关注的创作者的视频；点击“同城”，系统直接基于LBS数据匹配附近的人发布的视频，它强调的是视频生产者与观看者之间的实际距离。

那么，为何是根据这三个Tab来呢?我想到的逻辑是这样的：

• 围绕用户核心行为设计，免于教育用户的同时更有助于用户的沉淀；
• 多种推荐算法重叠，弥补不同算法的缺陷，使推荐结果更加精准；
• 持续维系好内容消费者和内容生产者的关系、纽带。

快手火爆背后的终极原因是其独特的个性化推荐算法，通过简单易懂的交互、覆盖用户差别需求的推荐方法以及整体架构规划，实现了用户黏性的提升和视频观看率的增长。未来，随着技术的不断发展，快手的推荐算法将更加精准，为用户提供更加优质的内容体验。

欢迎用实际体验验证观点！