在互聯(lián)網(wǎng)“沖浪”的瞬間，相信你已經(jīng)無數(shù)次聽到關(guān)于“在小紅書做種草”的建議或是課程，然而當(dāng)你真正想要入局這個(gè)賽道，想要做好一篇筆記的時(shí)候，你會發(fā)現(xiàn)從內(nèi)容的生產(chǎn)到發(fā)布乃至到投放的這一個(gè)過程中，是充滿了很多未知的。

碎片化的小紅書干貨知識，并不能真正教會你“如何寫一篇爆款”，蟬小紅同樣也看到了目前整個(gè)創(chuàng)作生態(tài)中存在的此等困境，因此我們推出了《種草研究社》，針對《爆款內(nèi)容的誕生與極致利用》特邀小紅書知名操盤手林卿老師進(jìn)行分享。

以下為分享內(nèi)容：

01. 小紅書流量機(jī)制解析

小紅書對于筆記流量來源有 2 種略有不同的劃分，

1 種是小紅書創(chuàng)作中心對于筆記流量來源的劃分，

首頁推薦；

搜索；

關(guān)注頁面；

個(gè)人主頁；

搜索；

其他來源。

另 1 種是小紅書蒲公英對于筆記流量來源的劃分，

發(fā)現(xiàn)頁；

搜索頁；

關(guān)注頁；

博主個(gè)人頁；

附近頁；

其他。

這 2 種劃分實(shí)際上差不多，但是小紅書近期有一些調(diào)整，所以上述的劃分并沒有及時(shí)更新，因此小紅書現(xiàn)在的筆記流量來源有這些，

發(fā)現(xiàn)頁；

關(guān)注頁；

視頻流；

搜索頁；

個(gè)人主頁；

小紅書群聊；

其他。

而小紅書的筆記流量來源主要取決于推薦與搜索。

1.1. 推薦系統(tǒng)基本鏈路

用戶刷新小紅書后，推薦系統(tǒng)會同時(shí)調(diào)用幾十條召回通道，每條召回通道從數(shù)據(jù)庫里快速取回幾十到幾百篇筆記，一共取回幾千篇筆記，這些召回通道實(shí)際上就是不同的算法/規(guī)則在作用，從數(shù)據(jù)庫里進(jìn)行去重、過濾、篩選；

然后用規(guī)模比較小的機(jī)器學(xué)習(xí)模型，給幾千篇筆記逐一打分，按照分?jǐn)?shù)做排序和截?cái)啵Ａ舴謹(jǐn)?shù)最高的幾百篇筆記，即粗排與截?cái)啵?/p>

之后用大規(guī)模的深度神經(jīng)網(wǎng)絡(luò)給幾百篇筆記逐一打分，即精排；

粗排與精排的原理基本相同，實(shí)際上就是用不同深度的機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)等，預(yù)估用戶對于筆記的興趣，根據(jù)預(yù)估的興趣分?jǐn)?shù)進(jìn)行排序；

幾百篇筆記帶著精排分?jǐn)?shù)進(jìn)入重排，重排會考慮內(nèi)容多樣性問題，根據(jù)精排分?jǐn)?shù)和多樣性分?jǐn)?shù)做隨機(jī)抽樣，得到幾十篇筆記，再把相似的筆記打散，避免把過于相似的內(nèi)容排在相鄰的位置上，最后插入廣告和運(yùn)營內(nèi)容，以及根據(jù)生態(tài)要求調(diào)整排序呈現(xiàn)給用戶。

1.1.1. 召回通道

推薦系統(tǒng)在推薦分發(fā)過程里所調(diào)用的召回通道實(shí)際上就是不同的算法/規(guī)則在作用，從數(shù)據(jù)庫里進(jìn)行去重、過濾、篩選，所以闡述一下幾條比較重要/常用的召回通道。

基于物品的協(xié)同過濾

在小紅書推薦系統(tǒng)里，物品即內(nèi)容，所以基于物品的協(xié)同過濾即基于內(nèi)容的協(xié)同過濾。

基于內(nèi)容的協(xié)同過濾的基本思想是根據(jù)內(nèi)容的相似度做推薦，因?yàn)橛脩魧@篇內(nèi)容感興趣，而這篇內(nèi)容與另一篇內(nèi)容相似，所以用戶也很可能會對另一篇內(nèi)容感興趣。

舉個(gè) ，我喜歡看《笑傲江湖》，《笑傲江湖》與《鹿鼎記》相似，但是我沒有看過《鹿鼎記》，這個(gè)時(shí)候推薦系統(tǒng)就會給我推薦《鹿鼎記》，而推薦的理由就是《笑傲江湖》與《鹿鼎記》相似。

至于推薦系統(tǒng)是如何判斷《笑傲江湖》與《鹿鼎記》相似的，其實(shí)很簡單，

比如通過知識圖譜，這 2 本書籍的作者相同，所以這 2 本書籍相似；

比如基于所有用戶的行為分析，給《笑傲江湖》好評的用戶，也給《鹿鼎記》好評，所以這 2 本書籍相似，通過用戶的行為挖掘出內(nèi)容之間的相似性，再利用內(nèi)容之間的相似性做推薦；

比如基于內(nèi)容受眾的重合度，喜歡看《笑傲江湖》的用戶跟喜歡看《鹿鼎記》的用戶重合度比較高，所以這 2 本書籍相似……

因?yàn)榛趦?nèi)容的協(xié)同過濾會基于內(nèi)容受眾重合度進(jìn)行推薦，但是又希望 2 篇內(nèi)容重合的受眾是廣泛且多樣，而不是集中在一個(gè)小圈子里的，所以基于內(nèi)容的協(xié)同過濾會給用戶設(shè)置權(quán)重，解決小圈子之類的問題。

基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾的基本思想是根據(jù)用戶的相似度做推薦，因?yàn)槲腋澄挥脩舻呐d趣愛好之類相似，所以我感興趣的內(nèi)容很可能這位用戶也會感興趣。

舉個(gè) ，我跟某位用戶的興趣愛好之類相似，我對某篇內(nèi)容感興趣，但是這位用戶沒有看過，這個(gè)時(shí)候推薦系統(tǒng)就會給這位用戶推薦我感興趣的這篇內(nèi)容，而推薦的理由就是我跟這位用戶的興趣愛好之類相似。

至于推薦系統(tǒng)是如何判斷我跟這位用戶興趣愛好之類相似的，其實(shí)很簡單，

比如通過查看我跟這位用戶過往感興趣內(nèi)容的重合度，判斷我跟這位用戶的興趣愛好之類是否相似；

比如通過查看我跟這位用戶的關(guān)注列表的重合度，判斷我跟這用戶的興趣愛好之類是否相似……

但是在這個(gè)判斷過程存在一個(gè)問題，即不同用戶對于同一熱門內(nèi)容/作者感興趣的概率極大，這樣就容易導(dǎo)致錯(cuò)誤判斷用戶的相似度，

舉個(gè) ，《笑傲江湖》是熱門內(nèi)容、周杰倫是熱門作者，我喜歡 TA 們，我的長輩也喜歡 TA 們，但是我跟我的長輩興趣并不相似。

所以為了更好地計(jì)算用戶相似度，基于用戶的協(xié)同過濾會降低熱門內(nèi)容/作者等的權(quán)重，避免產(chǎn)生誤判。

地理位置召回

根據(jù)用戶所在的地理位置做推薦；只看地理位置，不考慮用戶興趣，基于地理位置、時(shí)間順序、優(yōu)質(zhì)內(nèi)容做推薦。

同城召回

與“地理位置召回”同理，唯一不同的是同城召回是根據(jù)用戶所在的城市和曾經(jīng)生活過的城市做推薦。

作者召回

根據(jù)用戶感興趣的作者做推薦，因?yàn)槲覍δ澄蛔髡吒信d趣，所以這位作者的其他內(nèi)容我很可能也會感興趣。

舉個(gè) ，我在小紅書上關(guān)注了某位作者，但是這位作者最近新發(fā)布的內(nèi)容我沒有看過，這個(gè)時(shí)候推薦系統(tǒng)就會給我推薦這位作者最近新發(fā)布的內(nèi)容。

至于推薦系統(tǒng)是如何判斷我對這位作者感興趣的，其實(shí)很簡單，

比如通過查看我是否有關(guān)注這位作者，判斷我對這位作者是否感興趣；

比如通過查看我是否對這位作者所發(fā)布的內(nèi)容感興趣， 判斷我對這位作者是否感興趣……

因?yàn)橛脩舾信d趣的作者可能比較多，所以作者召回會優(yōu)先級根據(jù)用戶最近感興趣的作者做推薦，而用戶之前感興趣，但是最近沒有交互過的作者則不會被推薦。

相似作者召回

根據(jù)用戶感興趣作者的相似度做推薦，因?yàn)檫@位作者感興趣，而這位作者與另一位作者相似，所以另一位作者發(fā)布的內(nèi)容很可能用戶也會感興趣。

舉個(gè) ，這位作者跟另一位作者相似，用戶對這位作者感興趣，但是另一位作者發(fā)布的內(nèi)容用戶沒有看過，這個(gè)時(shí)候推薦系統(tǒng)就會給用戶推薦另一位作者發(fā)布的內(nèi)容，而推薦的理由就是這位作者跟另一位作者相似。

至于推薦系統(tǒng)是如何判斷這位作者跟另一位作者相似的，其實(shí)很簡單，

比如通過查看這位作者跟另一位作者的粉絲重合度，判斷這位作者跟另一位作者是否相似……

……

1.1.2. 預(yù)估分?jǐn)?shù)的維度

粗排與精排的原理基本相同，實(shí)際上就是用不同深度的機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)等，預(yù)估用戶對于筆記的興趣，根據(jù)預(yù)估的興趣分?jǐn)?shù)進(jìn)行排序，而排序的主要依據(jù)是

機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)等對于內(nèi)容點(diǎn)擊率、點(diǎn)贊率、收藏率、轉(zhuǎn)發(fā)率之類的指標(biāo)做預(yù)估，做完預(yù)估后，把這些分?jǐn)?shù)按照不同權(quán)重比例進(jìn)行融合，比如行業(yè)里經(jīng)常提及的 CES，CES = 點(diǎn)贊數(shù) * 1 + 收藏?cái)?shù) * 1 + 評論數(shù) * 4 + 轉(zhuǎn)發(fā)數(shù) * 4 + 關(guān)注數(shù) * 8……最后按照融合的分?jǐn)?shù)給內(nèi)容做排序和截?cái)?，保留分?jǐn)?shù)最高的內(nèi)容，淘汰分?jǐn)?shù)低的內(nèi)容。

上述的 CES 是 2017 年提及至今的，所以哪怕是真的，也已經(jīng)是過去式啦。

因?yàn)檎鎸?shí)的內(nèi)容預(yù)估及融合分?jǐn)?shù)算法是不可知的黑盒，所以就只能通過知曉預(yù)估分?jǐn)?shù)的一些維度，把控好變量來提高預(yù)估及融合分?jǐn)?shù)啦。

用戶畫像

性別；

年齡；

用戶注冊時(shí)間；

活躍度；

新/老用戶；

高/低活躍用戶；

感興趣的類目、關(guān)鍵詞、品牌；

……

內(nèi)容畫像

內(nèi)容 ID；

內(nèi)容發(fā)布時(shí)間；

內(nèi)容年齡（內(nèi)容發(fā)布時(shí)長）；

定位；

標(biāo)題；

類目；

關(guān)鍵詞；

品牌；

筆記字?jǐn)?shù)；

圖片數(shù)；

視頻清晰度；

標(biāo)簽數(shù)；

內(nèi)容信息量；

圖片美學(xué)；

……

內(nèi)容信息量與圖片美學(xué)等內(nèi)容質(zhì)量維度是小紅書算法打的分?jǐn)?shù)，在內(nèi)容發(fā)布的時(shí)候，小紅書就用模型給內(nèi)容打分，把內(nèi)容信息量、圖片美學(xué)等內(nèi)容質(zhì)量維度的各項(xiàng)分?jǐn)?shù)計(jì)入內(nèi)容畫像；

但是內(nèi)容信息量并不一定需要多，而是需要精準(zhǔn)直白，可被機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)理解，因此會發(fā)現(xiàn)有許多爆款內(nèi)容只是幾張圖片、幾句話，其實(shí)就是因?yàn)閮?nèi)容信息量不多，且精準(zhǔn)直白，機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)知道可推薦給誰；

而圖片美學(xué)是個(gè)比較感性、主觀的東西，但是會有一些基礎(chǔ)標(biāo)準(zhǔn)在，比如真實(shí)、整潔、自然等，并不一定需要有多驚艷，關(guān)鍵是不能太凌亂，太做作……

用戶統(tǒng)計(jì)特征

用戶最近 30 天 / 7 天 / 1 天 / 1 小時(shí)等時(shí)間段的點(diǎn)擊率、點(diǎn)贊率、收藏率、轉(zhuǎn)發(fā)率等；

……

內(nèi)容統(tǒng)計(jì)特征

內(nèi)容最近 30 天 / 7 天 / 1 天 / 1 小時(shí)等時(shí)間段的曝光數(shù)、點(diǎn)擊數(shù)、收藏?cái)?shù)等；

……

作者統(tǒng)計(jì)特征

發(fā)布的筆記數(shù)量；

粉絲數(shù)；

消費(fèi)指標(biāo)；

曝光數(shù)；

點(diǎn)擊數(shù)；

點(diǎn)贊數(shù)；

收藏?cái)?shù)；

……

這些特征反映了作者的受歡迎程度，以及 TA 的作品的平均品質(zhì)，所以假設(shè)一位作者的品質(zhì)普遍很高，那 TA 新發(fā)布的作品大概率也會很高。

場景特征

用戶當(dāng)前的定位；

用戶當(dāng)前定位的城市；

當(dāng)前的時(shí)刻；

設(shè)備信息；

……

1.2. 新筆記的推薦全鏈路

1.2.1. 機(jī)器/人工審核

筆記發(fā)布后，小紅書會對筆記內(nèi)容進(jìn)行機(jī)器/人工審核；

一般是機(jī)器先審，假設(shè)機(jī)器判定為疑似違規(guī)或者不可判定的情況下，會交由人工進(jìn)行審核；

審核主要是圍繞小紅書的相關(guān)規(guī)則規(guī)范，以及一些隱性規(guī)則等進(jìn)行審核。

假設(shè)筆記涉嫌違規(guī)，小紅書會根據(jù)違規(guī)程度進(jìn)行不同程度的懲罰，輕則限流，重則完全屏蔽；

輕度限流：減少流量推薦；

重度限流：沒有推薦與搜索流量，僅有私域性質(zhì)流量，即僅推薦分發(fā)給粉絲，在小紅書群聊、個(gè)人主頁等私域性質(zhì)界面均可查看；

完全屏蔽：沒有任何流量，筆記不可查看，即除自己以外所有賬號/方式均沒辦法查看。

1.2.2. 打標(biāo)簽與打分

筆記在審核的同時(shí)，小紅書會對筆記進(jìn)行打標(biāo)簽與打分，實(shí)際上就是用機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)等，識別筆記內(nèi)容進(jìn)行內(nèi)容質(zhì)量打分，以及預(yù)估用戶對于筆記的興趣分?jǐn)?shù)，因?yàn)槭切鹿P記，所以小紅書僅能從這些維度去預(yù)估分?jǐn)?shù)，

內(nèi)容畫像

內(nèi)容 ID；

內(nèi)容發(fā)布時(shí)間；

定位；

標(biāo)題；

類目；

關(guān)鍵詞；

品牌；

筆記字?jǐn)?shù)；

圖片數(shù)；

視頻清晰度；

標(biāo)簽數(shù)；

內(nèi)容信息量；

圖片美學(xué)；

……

作者統(tǒng)計(jì)特征

發(fā)布的筆記數(shù)量；

粉絲數(shù)；

消費(fèi)指標(biāo)；

曝光數(shù)；

點(diǎn)擊數(shù)；

點(diǎn)贊數(shù)；

收藏?cái)?shù)；

……

1.2.3. 實(shí)時(shí)推薦

新筆記的推薦鏈路跟上述“小紅書推薦系統(tǒng)的鏈路”基本一致，但因?yàn)槭切鹿P記，

所以筆記缺少信息，需要精準(zhǔn)推薦；

所以小紅書會把流量向新筆記傾斜，讓新筆記獲得更多的曝光機(jī)會，進(jìn)而激勵(lì)作者的發(fā)布積極性；

因此，小紅書會在推薦新筆記的時(shí)候，會針對新筆記做推薦全鏈路優(yōu)化，包括召回和排序，讓新筆記有足夠的機(jī)會走完鏈路被曝光，且會盡量讓新筆記的推薦做得準(zhǔn)，不引起用戶反感。

小紅書會在推薦新筆記的時(shí)候，給新筆記增加單獨(dú)的召回通道，比如

類目召回；

關(guān)鍵詞召回；

根據(jù)類目/關(guān)鍵詞，按照發(fā)布時(shí)間倒排，最新發(fā)布的筆記排在最前面做推薦。

聚類召回；

基于筆記的圖文內(nèi)容做推薦，假設(shè)用戶對一篇筆記感興趣，大概率會對內(nèi)容相似的筆記感興趣。

……

小紅書會在推薦新筆記的時(shí)候，給新筆記在排序階段提權(quán)，根據(jù)新筆記的內(nèi)容質(zhì)量、作者質(zhì)量，給新筆記單獨(dú)定一個(gè)曝光保量目標(biāo)，達(dá)到曝光保量目標(biāo)之后，就會停止扶持，讓新筆記自然分發(fā)，跟老筆記公平競爭。

這也是為什么有些博主會感覺自己的筆記發(fā)布 1-2 小時(shí)數(shù)據(jù)好，但是 1-2 小時(shí)之后，數(shù)據(jù)突然變差了，實(shí)際就是因?yàn)樵趧偘l(fā)布的時(shí)候，筆記有差異化提權(quán)保量，但是筆記在達(dá)到曝光保量目標(biāo)之后，就會停止扶持，讓新筆記自然分發(fā)，跟老筆記公平競爭，所以流量增長速度變慢啦。

1.3. 小紅書搜索引擎的鏈路

小紅書搜索引擎的鏈路主要是 3 個(gè)關(guān)鍵環(huán)節(jié)，查詢詞處理、召回、排序，

用戶在小紅書搜索框輸入想搜索的內(nèi)容后，搜索引擎會對用戶輸入的查詢詞（想搜索的內(nèi)容）進(jìn)行處理，主要是分詞與理解；

在處理的同時(shí)，搜索引擎會調(diào)用一些召回通道，從數(shù)據(jù)庫里快速取回幾十到幾百篇筆記，一共取回幾千篇筆記，這些召回通道實(shí)際上就是不同的算法/規(guī)則在作用，從數(shù)據(jù)庫里進(jìn)行去重、過濾、篩選；

取回后，搜索引擎會根據(jù)對于查詢詞的理解、相關(guān)性、內(nèi)容質(zhì)量、時(shí)效性、個(gè)性化等進(jìn)行排序，再把相似的筆記打散，避免把過于相似的內(nèi)容排在相鄰的位置上，最后插入廣告和運(yùn)營內(nèi)容，以及根據(jù)生態(tài)要求調(diào)整排序呈現(xiàn)給用戶。

1.3.1. 查詢詞處理

用戶在小紅書搜索框里輸入想搜索的內(nèi)容后，搜索引擎就會對用戶所輸入的查詢詞（即用戶在小紅書搜索框輸入想搜索的內(nèi)容）進(jìn)行處理，

分詞；

拼寫糾錯(cuò)；

同義詞改寫；

針對所分解的詞進(jìn)行打分，形成不同權(quán)重的關(guān)鍵詞；

核心詞：核心意圖，去掉之后意思完全改變，沒辦法搜索到用戶想要的結(jié)果；

重要詞：核心意圖的重要組成部分，去掉之后意思有所改變，但是依然可搜索到用戶想要的結(jié)果；

輔助詞：修飾意圖，去掉后意思變化比較小，對于搜索結(jié)果影響不大，但是有利于個(gè)性化推薦；

舉個(gè) ，

用戶輸入的查詢詞是“日系中長發(fā)男生造型”，所以

核心詞：男生造型；

重要詞：中長發(fā)；

輔助詞：日系；

類目識別；

意圖識別；

……

所以，在選擇關(guān)鍵詞的時(shí)候，可基于查詢詞處理的邏輯，把搜索熱詞進(jìn)行分詞，側(cè)重植入核心詞與重要詞，以此提高筆記搜索排名。

1.3.2. 召回

跟推薦系統(tǒng)的召回類似，搜索引擎會根據(jù)對于查詢詞的理解調(diào)用召回通道，從數(shù)據(jù)庫里快速取回幾千篇筆記，所以闡述一下搜索引擎召回通道的一些關(guān)鍵性原則。

搜索引擎的召回通道會基于對查詢詞的理解及用戶的個(gè)性化做推薦，

即把對于查詢詞的理解與數(shù)據(jù)庫的筆記做匹配，筆記匹配上的關(guān)鍵詞越多越好，匹配上核心詞加分多，匹配上輔助詞加分少；

所以一個(gè)關(guān)鍵詞在一篇筆記里出現(xiàn) 3 次比在一篇筆記里出現(xiàn) 1 次好；

所以匹配上核心詞比匹配上輔助詞好；

即把用戶特征等與數(shù)據(jù)庫的筆記做匹配，筆記所預(yù)估的用戶興趣度越高越好。

1.3.3. 排序

跟推薦系統(tǒng)的排序類似，搜索引擎會用機(jī)器學(xué)習(xí)模型及神經(jīng)網(wǎng)絡(luò)等，預(yù)估內(nèi)容跟對查詢詞理解及用戶興趣等的融合分?jǐn)?shù)，根據(jù)分?jǐn)?shù)做截?cái)嗯c排序，再插入廣告和運(yùn)營內(nèi)容，以及根據(jù)生態(tài)要求調(diào)整排序呈現(xiàn)給用戶，所以闡述一下搜索引擎打分排序的一些關(guān)鍵性維度。

相關(guān)性

根據(jù)對于查詢詞的理解，預(yù)估內(nèi)容跟對于查詢詞的理解的相關(guān)性分?jǐn)?shù)。

內(nèi)容質(zhì)量

作者 EAT；

專業(yè)性：作者是否有專業(yè)資質(zhì)；

權(quán)威性：作者在領(lǐng)域里的影響力；

可信賴性：名聲好壞、是否有廣告，包括軟廣；

筆記意圖；

有益：分享有用的攻略、知識、信息；

有害：傳播虛假信息、散播仇恨；

沒有特別的意圖；

內(nèi)容質(zhì)量分；

標(biāo)桿；

推薦；

普通；

不推薦；

內(nèi)容價(jià)值分；

點(diǎn)擊數(shù)、交互率等業(yè)務(wù)指標(biāo)是否達(dá)到 Top 10%；

時(shí)效性

基于對查詢詞的理解，判斷是否有時(shí)效性訴求；

內(nèi)容發(fā)布時(shí)間比較久遠(yuǎn)，是否還有價(jià)值；

發(fā)布時(shí)間；

個(gè)性化；

類似于推薦系統(tǒng)的個(gè)性化推薦，但是沒有推薦系統(tǒng)的個(gè)性化推薦強(qiáng)，預(yù)估維度、方式等跟推薦系統(tǒng)類似。

通過這些維度，

查詢詞特征；

筆記特征；

用戶特征；

統(tǒng)計(jì)特征；

相關(guān)性特征；

預(yù)估用戶對于筆記的興趣度，

點(diǎn)擊率；

收藏率；

轉(zhuǎn)發(fā)率；

完讀/播率。

綜上，筆記互動數(shù)據(jù)高，并不一定代表筆記會出現(xiàn)在搜索前排，出現(xiàn)在搜索前排的筆記是實(shí)際上融合等分?jǐn)?shù)高。

1.4. 其他

1.4.1. 補(bǔ)充概述

小紅書的推薦與搜索各自獨(dú)立，但又藕斷絲連；

各自獨(dú)立：推薦與搜索互不干擾，所以小紅書筆記的收錄與否并不影響推薦；

藕斷絲連：筆記在獲得搜索流量后，一定程度上會影響筆記推薦流量。

小紅書筆記流量激增大概率會觸發(fā)小紅書二次審核，而二次審核大概率會是機(jī)器+人工一起審核；

所以有些筆記在流量激增后被突然限流、掉收錄等，或許是因?yàn)槎螌徍?，以及系統(tǒng)對于筆記的實(shí)時(shí)預(yù)估變化的緣故。

正確判斷筆記是否被收錄的方式并不是搜索標(biāo)題等，而是在創(chuàng)作中心/蒲公英平臺查看筆記是否有搜索流量，有搜索流量即代表筆記被收錄。

假設(shè)對于推薦、搜索機(jī)制比較感興趣，想深入學(xué)習(xí)的話，可看看這些內(nèi)容。

1.4.2. 推薦系統(tǒng)公開課

基于小紅書的場景講解工業(yè)界真實(shí)的推薦系統(tǒng)

作者：王樹森

小紅書搜推算法工程師、基礎(chǔ)模型團(tuán)隊(duì)負(fù)責(zé)人

1.4.3. 書籍推薦

《智能搜索和推薦系統(tǒng)》；

《推薦系統(tǒng)實(shí)踐》；

《SEO 實(shí)戰(zhàn)密碼》；

1.4.3. 公眾號推薦

小紅書技術(shù) REDtech

1.5. 寫在最后

真實(shí)的系統(tǒng)/算法是黑盒，但是我們需要理解系統(tǒng)/算法的基本原理/底層邏輯。

02. 不同邏輯下的爆款內(nèi)容生產(chǎn)

2.1. 用內(nèi)容投喂算法

用垂直內(nèi)容投喂算法建立定向標(biāo)簽，通過簡單、直接、可復(fù)制、可批量化生產(chǎn)的內(nèi)容去獲取精準(zhǔn)流量，雖然流量不會太大，但是比較精準(zhǔn)。

內(nèi)容不需要太復(fù)雜、太精美，需要的是簡單、直接、可復(fù)制、可批量化生產(chǎn)，因?yàn)檫@樣可極大程度降低內(nèi)容創(chuàng)作成本，以及讓算法理解到位，之所以會有許多簡單的爆款內(nèi)容出現(xiàn)，實(shí)際上就是簡單的內(nèi)容有利于算法推薦。

2.2. 用確定性蒙騙算法

對于爆款內(nèi)容的模仿、復(fù)刻等，實(shí)際上就是利用爆款內(nèi)容的確定性去蒙騙算法，讓算法覺得內(nèi)容質(zhì)量、價(jià)值高。

但是在模仿、復(fù)刻的時(shí)候，就需要針對爆款內(nèi)容進(jìn)行剖析，哪些是爆款因素，哪些是無關(guān)緊要的因素，假設(shè)做不到比較好的剖析，那就 100% 復(fù)刻，包括場景、構(gòu)圖、產(chǎn)品等，把變量控制到最小，但是需要有一些無關(guān)緊要的變量來提高原創(chuàng)度。

舉個(gè) ，

爆款內(nèi)容的場景是白天，那就換成晚上；

爆款內(nèi)容拍攝的是左手，那就換成右手……

用同樣的變量替換一些變量，但是內(nèi)容質(zhì)量等不變，算法可理解，用戶依然有觸動。

但是并不是所有爆款內(nèi)容模仿、復(fù)刻之后，依然是爆款，因?yàn)橛行﹥?nèi)容之所以成為爆款，可能是運(yùn)氣之類，因此并不是所有爆款內(nèi)容都值得去模仿、復(fù)刻，值得去模仿、復(fù)刻的爆款內(nèi)容一般是經(jīng)過反復(fù)驗(yàn)證的、已經(jīng)形成一定爆款內(nèi)容模型/范本的。

綜上，怎么發(fā)現(xiàn)值得去模仿、復(fù)刻的爆款內(nèi)容呢？

思路 1. 查看品類下的商業(yè)報(bào)備筆記

假設(shè)有品牌商家已經(jīng)摸索出自己的爆文模型的話，TA 們大概率會通過效果廣告進(jìn)行放大，所以可使用小紅書數(shù)據(jù)分析工具，去查看自己品類下這段時(shí)間新增的商業(yè)報(bào)備筆記，找找看有沒有適合自己的測試內(nèi)容。

思路 2. 查看競品的筆記

邏輯跟“思路 1. 商業(yè)報(bào)備”是一樣的，所以可不定期使用小紅書數(shù)據(jù)分析工具，去查看競品這段時(shí)間新增的筆記內(nèi)容，不一定需要局限于商業(yè)報(bào)備筆記，找找看有沒有適合自己的測試內(nèi)容。

思路 3. 小紅書 App 瀏覽與搜索

小紅書 App 的發(fā)現(xiàn)頁是基于用戶交互行為等的個(gè)性化推薦，所以可優(yōu)先級多搜索自己品類/產(chǎn)品相關(guān)的內(nèi)容，然后再多瀏覽與刷新幾次發(fā)現(xiàn)頁，在看到有類似的爆款內(nèi)容重復(fù)多次出現(xiàn)在自己的發(fā)現(xiàn)頁的時(shí)候，就可針對這個(gè)內(nèi)容去搜索品牌/產(chǎn)品/標(biāo)題等進(jìn)行驗(yàn)證。

2.3. 人性洞察

爆款內(nèi)容是可永恒的，小紅書上出現(xiàn)的爆款內(nèi)容，可能在其他渠道之前就已經(jīng)出現(xiàn)過；

爆款內(nèi)容的內(nèi)核是對于人性的洞察，而人性大概率是不會發(fā)生改變的，唯一改變的是對于人性的闡述，以及表現(xiàn)方式。

明星與醫(yī)院，天然有可信度；

藍(lán)手套、藥單子，哪怕是假的，用戶依然會覺得是有可信度。

2.4. 寫在最后

2.4.1. 內(nèi)容選題 > 封面 > 標(biāo)題 > 內(nèi)容；

2.4.2. 爆款內(nèi)容創(chuàng)作需要迎合受眾，而非引領(lǐng)受眾；

因?yàn)橛鲜鼙?= 迎合人性，而引領(lǐng)受眾 = 反人性，難而正確。

03. 爆款內(nèi)容價(jià)值的極致化利用

所有的爆款內(nèi)容得之不易，所以需要把爆款內(nèi)容的價(jià)值進(jìn)行極致化利用。

3.1. 基于爆款內(nèi)容進(jìn)行延伸與再利用

找到爆款因素，基于此出系列內(nèi)容，e.g.

• 爆款因素是產(chǎn)品，內(nèi)容成為爆款之后，同步測評同款不同型號的產(chǎn)品；

• 爆款因素是自己的蛻變，內(nèi)容成為爆款之后，同步更新自己是如何蛻變的；

• 爆款因素是產(chǎn)品，內(nèi)容成為爆款之后，同步更新產(chǎn)品的細(xì)節(jié)；

• ……

利用爆款內(nèi)容博眼球，e.g.

用爆款內(nèi)容截圖作封面；

爆款內(nèi)容的評論區(qū)截圖作封面；

……

反復(fù)重復(fù)爆款內(nèi)容，e.g.

忍不住再發(fā)一遍；

非商業(yè)報(bào)備發(fā)完、商業(yè)報(bào)備發(fā)、專業(yè)號轉(zhuǎn)載發(fā)；

xx 人看過的 xx；

……

3.2. 基于爆款內(nèi)容進(jìn)行復(fù)刻、創(chuàng)新

跟上述闡述的“用確定性蒙騙算法”差不多，即找到爆款因素，基于此進(jìn)行復(fù)刻，甚至是創(chuàng)新，然后通過博主種草與效果廣告投放進(jìn)行放大，e.g. 爆款因素是 藍(lán)手套 + 真實(shí)痛點(diǎn) + 真實(shí)場景，基于此進(jìn)行復(fù)刻、創(chuàng)新即可。

當(dāng)然有些內(nèi)容是沒辦法進(jìn)行復(fù)刻、創(chuàng)新的。

3.3. 寫在最后

讓有效的爆款內(nèi)容在渠道里流動，被看見、被放大。

感興趣的話，請給蟬小紅點(diǎn)個(gè)贊，加個(gè)關(guān)注吧~