演算法型分發

1. 微信紅包的隨機演算法是怎樣實現的

我們在一個20人的群中，自己發紅包以及結合其他人發出紅包的情況，整合成兩輪的數據。每次金額設置都是20塊並且有20個，第一輪是發了15次，第二輪是發了19次，總結成表格，然後為了避免突發的數據影響判斷，我們將兩輪數據雜糅從而生成了其他的三輪數據，一共是五輪數據。羅列如下表，高亮的數據為最佳手氣。每一列的數據最早搶到紅包的在最底端，越往上越晚搶。
從所有黃色的數值（最佳手氣金額）可看出，所有最佳手氣值都在平均值*2的前後附近（平均值=總金額/紅包總個數，這里平均值=20/20=1），事實上確實如此，可通過微信紅包分發演算法得到驗證，演算法具體見後文
然後我們選取部分數據開始製作散點圖。橫軸為1-20，分別表示搶到紅包的人的編號，隨遞增而越早。也就是20代表最早搶到的人。縱軸為金額。同樣的形狀顏色的點代表一次發紅包，然後我們抓取部分數據顯示為散點圖，越密集代表該順序位的用戶得到的金額越穩定。散點圖如下：

規律一：我們可以看到，所有紅包大多數金額分布在0.5到1.5元之間，顯示為圖中方框所示，大部分點都分布在這個位置。然後是順序位密集程度的對比，可以發現20、19，也就是最先搶到紅包的人，小圓圈所示基本的點都集中在小范圍，說明先搶紅包的人得到的金額會比較穩定，但同時最佳手氣的概率也比較低。大圓圈所示的是極不穩定，飄忽的金額分布，表示越晚搶紅包得到的金額會飄忽不穩，但同時，搶到最佳手氣等大金額的紅包概率也比早搶的高。
根據上面的分析，我們又寫了一個過濾計數函數，針對金額的分段的紅包個數進行統計：
比如2.0-2.5
得到如下金額分布：
折線圖：
規律二：絕大多數的紅包的金額都集中在1-1.5，也就是說20塊錢發20個紅包的金額分布集中在比平均數大一點點的附近，同時較大幅超過平均數金額的紅包大大少於低於於平均數的紅包數量。
那我們繼續擴大數據的規模，將幾輪數據的均值和標准差分別做成折線圖：
綜合上面各個折線圖的情況，我們可以得到越早搶紅包的標准差越小，越晚搶紅包的標准差越大，但同時，由均值和總額可以看出來，越早搶紅包的均值往往要更高，紅包金額得到最佳手氣概率也會相對較小，越晚搶紅包的人則得到最佳手氣等大手氣的概率更大。
為了得到更為趨近規律的曲線和規律，我們決定將兩輪真實數據合並起來，然後給出冪函數的趨近線（虛線），如下圖：
由於均值受極值波動影響較大，所以我們去除一些因為偶然差產生的極端點（圓圈的點）從而發現是遞增的趨勢。
規律三：可以很明顯的看到，均值是隨著搶紅包的越晚而緩慢遞減，標准差值同時也往上遞增，這個趨勢結合之前的分析，我們猜想，即標准差越大說明，領取到最大的紅包和最小紅包的風險越大，也就是說越晚搶標准差越大，對於冒險主義者來講是最好的，因為他有很大概率獲得最大的金額，但也大概率獲得最小的紅包，風險與收益並存；均值越大，說明每次都拿到一個不大不小的紅包，雖然獲得最小和最大金額紅包的概率很小，但起碼不虧本，也就是說越早搶，均值越穩定，這比較適合不喜歡冒險的人。
驗證預測結果：
21：24分發送預測結果到另一位同學微信：

隨後開始發紅包：

結果：
最佳手氣為第8個人且金額為1.13
與預測結果一致，規律基本正確！
總結：
（1）最佳手氣為1.13塊，根據我們推導的預測公式=總額/紅包總個數*2*隨機數（0-2的double數）, 也就是說最佳手氣在總額/紅包總個數*2值的前後附近。這里我們判斷在0.8-1.3之間，推斷正確
（2)平均值為0.5元，0.5-0.8元的紅包有3個，小於0.5的紅包有6個，說明大於平均值的紅包個數多於小於平均值的個數。與我們的第二點預測完全正確
(3)最佳手氣位置：根據我們的散點圖發現，最先搶到紅包的人，得到的金額會比較穩定，但同時最佳手氣的概率也比較低。表示越晚搶紅包得到的金額波動較大，但同時搶到最佳手氣等大金額的紅包概率也比早搶的高。所以我們推斷，最佳手氣位置在最後20%-30%之間。
微信紅包隨機分發演算法c＋＋模擬：
基本思路：每次搶到一個紅包金額等於：紅包剩餘金額/紅包剩餘個數*2*隨機數（0-1的double型），如果計算的結果小於等於0.01，則取0.01值
主要代碼：
double packages[50000];
double Luckiest_money=0;
void getPackage(int remainSize,double remainMoney){
srand((unsigned)time(NULL));
for(int i=0;i

2. 什麼是演算法

演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。
演算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和（可能為空的）初始輸入開始，經過一系列有限而清晰定義的狀態，最終產生輸出並停止於一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化演算法在內的一些演算法，包含了一些隨機輸入。
形式化演算法的概念部分源自嘗試解決希爾伯特提出的判定問題，並在其後嘗試定義有效計算性或者有效方法中成形。這些嘗試包括庫爾特·哥德爾、Jacques Herbrand和斯蒂芬·科爾·克萊尼分別於1930年、1934年和1935年提出的遞歸函數，阿隆佐·邱奇於1936年提出的λ演算，1936年Emil Leon Post的Formulation 1和艾倫·圖靈1937年提出的圖靈機。即使在當前，依然常有直覺想法難以定義為形式化演算法的情況。

3. 視頻號點贊多少才能會被推薦 視頻號的推薦機制是什麼

抖音的漲粉方式就是發視頻吸引用戶，用戶喜歡的話就會點贊，評論，有的抖音視頻點贊喜歡就有上百萬，而有的視頻寥寥無幾，其實在這個過程中需要抖音平台自身給予的流量推薦才可以，也就是我們所說的上熱門，抖音點贊多少上熱門?

視頻號和其他的平台不同之處是有的，其他平台只能給你推送你喜歡的內容，然而視頻號的推送是根據社交圈喜歡的內容來推送的。

「內容為王」，要想真正的紮根視頻號這個平台，優質的、原創的內容必不可少。而且建議做垂直領域，內容垂直細分才能更容易吸收到精準粉絲。

說到這里相信立馬就有人來反駁我，說：抖音不是也有很多搬運視頻的號主，他們也吸到不少的粉絲了啊。我想說的是，是的，在抖音早期，很多搬運火了，但現在呢?他們要麼現在只有慘淡流量，要麼也投入到原創大軍中了。要記住，不管哪個平台，都是鼓勵原創的。

如果說打開視頻號，首先推送的就是這個朋友點贊的視頻，而不是自然推薦的，那麼這樣的話基於視頻號的演算法邏輯，如何才能給視頻冷啟動呢?這樣的情況下我們就應該找對這類視頻感興趣的人讓他們完播率，點贊即可出圈。出圈之後就會進入下一個流量渠道，感興趣的朋友點贊了，那麼朋友的朋友就會看到這個視頻，一直的裂變下去。

而且視頻號內容是可以藉助微信的社交傳播的，比如說發送給朋友，朋友圈都可以獲得流量的。

很多人都說互贊，其實單純的群里點贊，基本是沒啥效果的，主要是太浪費時間了，而且效率來說很低，而且有些互贊的人內容還很低，不夠優質，你點贊的話，是會拉低你的水平，點贊不代表自己了，而且代表自己的社交圈子，如果非要互贊的話，找到對應的目標群體，他的社交圈視頻內容對你感興趣的，你就出圈子了。

視頻號裡面，感興趣的惠點贊或者分享，內容會推薦給通訊錄的好友，不斷的通過朋友之間的關系實際破圈裂變，社交的推薦在視頻號推薦機制中是非常重要的，這點是可以從視頻號首頁端的功能可以驗證出來的。

那如果不互贊的話，我覺得可以找那種，點贊群，你可以發紅包和視頻進去，讓他們完播之後點贊，還是可以推送給他們的圈子裡面的，如果有人也喜歡了，這樣後續是可以給你視頻內容增加很大流量的，一定得記住，是完播，小號沒啥用，找那種賬號有好友的更好。

那麼演算法推薦會根據微信用戶的一系列行為軌跡給多方面貼上對應的標簽屬性，比如興趣，職業，年齡，話題，定位等，微信系統會根據現有的大數據推薦你喜歡的內容，然而附近人是會通過地理位置產生的交集，所以說大家在發布位置上面又多了一個流量的入口。

那麼如何才能獲得更多的用戶點贊呢?

首先，製作一個統一好看的作品封面。用戶是否點擊進入看你作品，是取決於你的視頻封面設計，是否能夠快速吸引用戶眼球。

利用多種渠道-社群-公眾號-朋友圈，視頻號發布第一時間要分享到朋友圈，社群，能夠讓好友幫你點贊，還可以在公眾號推送你的視頻號，以此能夠讓更多的人關注你。

那麼引導用戶的點贊是非常有用的，文案描述和評論區引導用戶的互動，是可以提升點贊率跟互動率的。

越分享就越快樂。希望大家能在視頻號裡面找到你的良師益友，毫無保留分享給你們，如果內容對你有幫助，記得分享給你的朋友，幫別人成長，就是為自己鋪路。