算法型分发

1. 微信红包的随机算法是怎样实现的

我们在一个20人的群中，自己发红包以及结合其他人发出红包的情况，整合成两轮的数据。每次金额设置都是20块并且有20个，第一轮是发了15次，第二轮是发了19次，总结成表格，然后为了避免突发的数据影响判断，我们将两轮数据杂糅从而生成了其他的三轮数据，一共是五轮数据。罗列如下表，高亮的数据为最佳手气。每一列的数据最早抢到红包的在最底端，越往上越晚抢。
从所有黄色的数值（最佳手气金额）可看出，所有最佳手气值都在平均值*2的前后附近（平均值=总金额/红包总个数，这里平均值=20/20=1），事实上确实如此，可通过微信红包分发算法得到验证，算法具体见后文
然后我们选取部分数据开始制作散点图。横轴为1-20，分别表示抢到红包的人的编号，随递增而越早。也就是20代表最早抢到的人。纵轴为金额。同样的形状颜色的点代表一次发红包，然后我们抓取部分数据显示为散点图，越密集代表该顺序位的用户得到的金额越稳定。散点图如下：

规律一：我们可以看到，所有红包大多数金额分布在0.5到1.5元之间，显示为图中方框所示，大部分点都分布在这个位置。然后是顺序位密集程度的对比，可以发现20、19，也就是最先抢到红包的人，小圆圈所示基本的点都集中在小范围，说明先抢红包的人得到的金额会比较稳定，但同时最佳手气的概率也比较低。大圆圈所示的是极不稳定，飘忽的金额分布，表示越晚抢红包得到的金额会飘忽不稳，但同时，抢到最佳手气等大金额的红包概率也比早抢的高。
根据上面的分析，我们又写了一个过滤计数函数，针对金额的分段的红包个数进行统计：
比如2.0-2.5
得到如下金额分布：
折线图：
规律二：绝大多数的红包的金额都集中在1-1.5，也就是说20块钱发20个红包的金额分布集中在比平均数大一点点的附近，同时较大幅超过平均数金额的红包大大少于低于于平均数的红包数量。
那我们继续扩大数据的规模，将几轮数据的均值和标准差分别做成折线图：
综合上面各个折线图的情况，我们可以得到越早抢红包的标准差越小，越晚抢红包的标准差越大，但同时，由均值和总额可以看出来，越早抢红包的均值往往要更高，红包金额得到最佳手气概率也会相对较小，越晚抢红包的人则得到最佳手气等大手气的概率更大。
为了得到更为趋近规律的曲线和规律，我们决定将两轮真实数据合并起来，然后给出幂函数的趋近线（虚线），如下图：
由于均值受极值波动影响较大，所以我们去除一些因为偶然差产生的极端点（圆圈的点）从而发现是递增的趋势。
规律三：可以很明显的看到，均值是随着抢红包的越晚而缓慢递减，标准差值同时也往上递增，这个趋势结合之前的分析，我们猜想，即标准差越大说明，领取到最大的红包和最小红包的风险越大，也就是说越晚抢标准差越大，对于冒险主义者来讲是最好的，因为他有很大概率获得最大的金额，但也大概率获得最小的红包，风险与收益并存；均值越大，说明每次都拿到一个不大不小的红包，虽然获得最小和最大金额红包的概率很小，但起码不亏本，也就是说越早抢，均值越稳定，这比较适合不喜欢冒险的人。
验证预测结果：
21：24分发送预测结果到另一位同学微信：

随后开始发红包：

结果：
最佳手气为第8个人且金额为1.13
与预测结果一致，规律基本正确！
总结：
（1）最佳手气为1.13块，根据我们推导的预测公式=总额/红包总个数*2*随机数（0-2的double数）, 也就是说最佳手气在总额/红包总个数*2值的前后附近。这里我们判断在0.8-1.3之间，推断正确
（2)平均值为0.5元，0.5-0.8元的红包有3个，小于0.5的红包有6个，说明大于平均值的红包个数多于小于平均值的个数。与我们的第二点预测完全正确
(3)最佳手气位置：根据我们的散点图发现，最先抢到红包的人，得到的金额会比较稳定，但同时最佳手气的概率也比较低。表示越晚抢红包得到的金额波动较大，但同时抢到最佳手气等大金额的红包概率也比早抢的高。所以我们推断，最佳手气位置在最后20%-30%之间。
微信红包随机分发算法c＋＋模拟：
基本思路：每次抢到一个红包金额等于：红包剩余金额/红包剩余个数*2*随机数（0-1的double型），如果计算的结果小于等于0.01，则取0.01值
主要代码：
double packages[50000];
double Luckiest_money=0;
void getPackage(int remainSize,double remainMoney){
srand((unsigned)time(NULL));
for(int i=0;i

2. 什么是算法

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。
算法中的指令描述的是一个计算，当其运行时能从一个初始状态和（可能为空的）初始输入开始，经过一系列有限而清晰定义的状态，最终产生输出并停止于一个终态。一个状态到另一个状态的转移不一定是确定的。随机化算法在内的一些算法，包含了一些随机输入。
形式化算法的概念部分源自尝试解决希尔伯特提出的判定问题，并在其后尝试定义有效计算性或者有效方法中成形。这些尝试包括库尔特·哥德尔、Jacques Herbrand和斯蒂芬·科尔·克莱尼分别于1930年、1934年和1935年提出的递归函数，阿隆佐·邱奇于1936年提出的λ演算，1936年Emil Leon Post的Formulation 1和艾伦·图灵1937年提出的图灵机。即使在当前，依然常有直觉想法难以定义为形式化算法的情况。

3. 视频号点赞多少才能会被推荐 视频号的推荐机制是什么

抖音的涨粉方式就是发视频吸引用户，用户喜欢的话就会点赞，评论，有的抖音视频点赞喜欢就有上百万，而有的视频寥寥无几，其实在这个过程中需要抖音平台自身给予的流量推荐才可以，也就是我们所说的上热门，抖音点赞多少上热门?

视频号和其他的平台不同之处是有的，其他平台只能给你推送你喜欢的内容，然而视频号的推送是根据社交圈喜欢的内容来推送的。

“内容为王”，要想真正的扎根视频号这个平台，优质的、原创的内容必不可少。而且建议做垂直领域，内容垂直细分才能更容易吸收到精准粉丝。

说到这里相信立马就有人来反驳我，说：抖音不是也有很多搬运视频的号主，他们也吸到不少的粉丝了啊。我想说的是，是的，在抖音早期，很多搬运火了，但现在呢?他们要么现在只有惨淡流量，要么也投入到原创大军中了。要记住，不管哪个平台，都是鼓励原创的。

如果说打开视频号，首先推送的就是这个朋友点赞的视频，而不是自然推荐的，那么这样的话基于视频号的算法逻辑，如何才能给视频冷启动呢?这样的情况下我们就应该找对这类视频感兴趣的人让他们完播率，点赞即可出圈。出圈之后就会进入下一个流量渠道，感兴趣的朋友点赞了，那么朋友的朋友就会看到这个视频，一直的裂变下去。

而且视频号内容是可以借助微信的社交传播的，比如说发送给朋友，朋友圈都可以获得流量的。

很多人都说互赞，其实单纯的群里点赞，基本是没啥效果的，主要是太浪费时间了，而且效率来说很低，而且有些互赞的人内容还很低，不够优质，你点赞的话，是会拉低你的水平，点赞不代表自己了，而且代表自己的社交圈子，如果非要互赞的话，找到对应的目标群体，他的社交圈视频内容对你感兴趣的，你就出圈子了。

视频号里面，感兴趣的惠点赞或者分享，内容会推荐给通讯录的好友，不断的通过朋友之间的关系实际破圈裂变，社交的推荐在视频号推荐机制中是非常重要的，这点是可以从视频号首页端的功能可以验证出来的。

那如果不互赞的话，我觉得可以找那种，点赞群，你可以发红包和视频进去，让他们完播之后点赞，还是可以推送给他们的圈子里面的，如果有人也喜欢了，这样后续是可以给你视频内容增加很大流量的，一定得记住，是完播，小号没啥用，找那种账号有好友的更好。

那么算法推荐会根据微信用户的一系列行为轨迹给多方面贴上对应的标签属性，比如兴趣，职业，年龄，话题，定位等，微信系统会根据现有的大数据推荐你喜欢的内容，然而附近人是会通过地理位置产生的交集，所以说大家在发布位置上面又多了一个流量的入口。

那么如何才能获得更多的用户点赞呢?

首先，制作一个统一好看的作品封面。用户是否点击进入看你作品，是取决于你的视频封面设计，是否能够快速吸引用户眼球。

利用多种渠道-社群-公众号-朋友圈，视频号发布第一时间要分享到朋友圈，社群，能够让好友帮你点赞，还可以在公众号推送你的视频号，以此能够让更多的人关注你。

那么引导用户的点赞是非常有用的，文案描述和评论区引导用户的互动，是可以提升点赞率跟互动率的。

越分享就越快乐。希望大家能在视频号里面找到你的良师益友，毫无保留分享给你们，如果内容对你有帮助，记得分享给你的朋友，帮别人成长，就是为自己铺路。