最近，運(yùn)營(yíng)社發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象——小紅書(shū)里常有人反饋，精心策劃的內(nèi)容沒(méi)有人看，但有時(shí)隨便發(fā)個(gè)貼，卻能得到不少流量。

這是為什么呢？

關(guān)于小紅書(shū)的流量分配，網(wǎng)上流傳著許多說(shuō)法：

小紅書(shū)內(nèi)部存在一個(gè)固定的筆記評(píng)分公式；

小紅書(shū)需要養(yǎng)號(hào)，如果賬號(hào)的權(quán)重不高，筆記得到的流量就很小；

筆記內(nèi)容需要多次重復(fù)關(guān)鍵詞，增加被搜索到的幾率……

這些說(shuō)法都有道理嗎？小紅書(shū)的流量分配機(jī)制究竟是怎樣的？

帶著這些疑問(wèn)，運(yùn)營(yíng)社對(duì)小紅書(shū)的流量機(jī)制進(jìn)行了研究，同時(shí)也就一些問(wèn)題，和多次獲得小紅書(shū)體育運(yùn)動(dòng)榜 TOP 1 的 MCN 機(jī)構(gòu)——阿尼星空的內(nèi)容負(fù)責(zé)人 @勺子 聊了聊，總結(jié)出了一些要點(diǎn)。

01 小紅書(shū)的流量機(jī)制是什么？

小紅書(shū)的筆記發(fā)布后，可以通過(guò)四個(gè)頁(yè)面被看到，分別是首頁(yè)的關(guān)注頁(yè)、發(fā)現(xiàn)頁(yè)、本地頁(yè)，以及搜索按鈕可跳轉(zhuǎn)的搜索頁(yè)。

其中，發(fā)現(xiàn)頁(yè)和搜索頁(yè)是兩個(gè)最主要的流量入口。以即刻網(wǎng)友 @Luuuuke 的筆記為例，來(lái)自于首頁(yè)推薦和搜索的流量都占到了 40％ 的比例。

圖源：即刻網(wǎng)友@Luuuuke

根據(jù)運(yùn)營(yíng)社的觀察，這兩個(gè)頁(yè)面有著不同的流量分配邏輯。

1）發(fā)現(xiàn)頁(yè)的推薦邏輯

發(fā)現(xiàn)頁(yè)上，筆記按照信息流的形式呈現(xiàn)，用戶每次下拉刷新都會(huì)出現(xiàn)一批新的筆記，這些筆記主要是通過(guò)推薦算法展現(xiàn)的。

運(yùn)營(yíng)社參考了 2017 年時(shí)任小紅書(shū)算法架構(gòu)師 @趙曉萌 、2019 年時(shí)任小紅書(shū)實(shí)時(shí)推薦團(tuán)隊(duì)負(fù)責(zé)人 @郭一 的兩篇公開(kāi)分享文章，以及 2021 年小紅書(shū)算法團(tuán)隊(duì)發(fā)布的一篇論文，對(duì)發(fā)現(xiàn)頁(yè)的推薦邏輯做了拆解。

筆記的推薦過(guò)程大致可以分為三個(gè)步驟：

先在推薦前根據(jù)過(guò)往用戶數(shù)據(jù) 預(yù)先評(píng)分，再根據(jù) 用戶偏好進(jìn)行推薦，接著根據(jù)用戶 互動(dòng)反饋，將筆記放入遞增的流量池。

①推薦前先預(yù)估效果

按照 @郭一 的描述，筆記并不是一發(fā)布就會(huì)被推薦，而是會(huì)先經(jīng)過(guò)一輪推薦系統(tǒng)的“打分”，再投入推薦。

第一步，系統(tǒng)會(huì)從過(guò)往的筆記數(shù)據(jù)庫(kù)里找出類似的筆記。

第二步，系統(tǒng)會(huì)根據(jù)類似筆記獲得的點(diǎn)擊、點(diǎn)贊、收藏等互動(dòng)數(shù)據(jù)，預(yù)測(cè)該筆記在發(fā)布后，可能接收到用戶互動(dòng)行為的概率為多少，從而來(lái)為該筆記“打分”。

也就是說(shuō)，通過(guò)對(duì)類似筆記的分析，就能預(yù)測(cè)這條筆記發(fā)出后是否會(huì)被用戶喜歡。

在預(yù)估評(píng)分的算法中，用戶點(diǎn)擊的概率對(duì)評(píng)分影響最大，其他互動(dòng)行為的概率都被賦予了一個(gè)權(quán)重，最終計(jì)算出筆記的評(píng)分。

舉個(gè)例子，假設(shè)只參考點(diǎn)擊、點(diǎn)贊和收藏的情況下，設(shè)點(diǎn)贊和收藏的權(quán)重都為 0.5 ，一條筆記的預(yù)估點(diǎn)擊概率為 50％ ，點(diǎn)贊、收藏概率都為 10％ ，那么最后這條筆記的評(píng)分為 0.05 分。

推薦系統(tǒng)的算法會(huì)通過(guò)現(xiàn)有用戶的反饋不斷更新，所以評(píng)分公式也在不斷變化。

最后，系統(tǒng)會(huì)按評(píng)分的高低對(duì)筆記位置進(jìn)行調(diào)整。

運(yùn)營(yíng)社猜測(cè)，評(píng)分高的筆記在信息流中的位置會(huì)靠前，獲得更多的曝光，評(píng)分低則位置靠后，曝光較少。

②用戶偏好匹配分發(fā)內(nèi)容

當(dāng)筆記投入線上推薦時(shí)，小紅書(shū)會(huì)將筆記的內(nèi)容標(biāo)簽，和用戶偏好的內(nèi)容標(biāo)簽進(jìn)行匹配。

根據(jù) @趙曉萌 2017 年的分享，當(dāng)發(fā)布者發(fā)了一條筆記后，小紅書(shū)的算法會(huì)對(duì)筆記中的文字和圖片都進(jìn)行識(shí)別，綜合起來(lái)打上內(nèi)容標(biāo)簽。

其中較為特別的一點(diǎn)是，算法還可以通過(guò)對(duì)情緒相關(guān)的詞語(yǔ)進(jìn)行分類，識(shí)別出用戶喜歡瀏覽帶有哪些情緒標(biāo)簽的筆記，并匹配類似情緒的內(nèi)容。

比如，運(yùn)營(yíng)社發(fā)現(xiàn)，經(jīng)常搜索和點(diǎn)贊笑話類筆記后，小紅書(shū)就會(huì)開(kāi)始推薦更多同樣表達(dá)出“開(kāi)心、快樂(lè)”情緒的筆記。

同時(shí)，基于關(guān)注話題、收藏專輯，還有用戶對(duì)筆記的互動(dòng)程度等維度，小紅書(shū)也能推測(cè)出用戶偏好的內(nèi)容標(biāo)簽。

2017 年的用戶和筆記標(biāo)簽（現(xiàn)在的標(biāo)簽可能有所變化）

通過(guò)匹配，就能將內(nèi)容推薦到可能對(duì)其感興趣的用戶首頁(yè)上。

根據(jù)用戶賬號(hào)的行為，小紅書(shū)的推薦和搜索數(shù)據(jù)也是互通的：

用戶搜索“xx”關(guān)鍵詞后，系統(tǒng)就會(huì)認(rèn)為用戶需要了解“xx”，在發(fā)現(xiàn)頁(yè)上也會(huì)推送相關(guān)內(nèi)容。比如搜索“元宵節(jié)”，首頁(yè)就會(huì)推薦“湯圓酥”。

但如果用戶沒(méi)有持續(xù)瀏覽相關(guān)內(nèi)容，系統(tǒng)的推薦也會(huì)停止。

同時(shí)，小紅書(shū)主要是按照用戶偏好進(jìn)行推薦，但也會(huì)盡量保證結(jié)果的多樣性，給用戶推薦一些其并不偏好，但評(píng)分較高的筆記。

③互動(dòng)決定是否推薦

小紅書(shū)按照用戶偏好，將筆記推送給初始的一批用戶后，就會(huì)通過(guò)這一部分用戶的互動(dòng)數(shù)據(jù)，比如點(diǎn)贊、收藏、評(píng)論等，來(lái)決定是否將它推薦給更多的人。

互動(dòng)數(shù)據(jù)更好，筆記就會(huì)獲得更多的推薦，進(jìn)入 遞增擴(kuò)大的流量池。

運(yùn)營(yíng)社通過(guò)一段時(shí)間的驗(yàn)證，發(fā)現(xiàn)首頁(yè)推薦筆記的發(fā)布時(shí)間一般都是近兩個(gè)月。但根據(jù)時(shí)間的遠(yuǎn)近，筆記的互動(dòng)量較為不同。

發(fā)布時(shí)間較短的筆記，點(diǎn)贊互動(dòng)數(shù)量有多也有少。比如說(shuō)，截圖中有兩篇都是同一天發(fā)布的筆記，但一篇點(diǎn)贊量為 4.9w ，一篇僅為 28 。

而發(fā)布時(shí)間較長(zhǎng)的，一般點(diǎn)贊互動(dòng)數(shù)量都較多。比如說(shuō)，截圖中有三篇筆記都是在一個(gè)月前發(fā)布的，但點(diǎn)贊量都過(guò)千。

由此可以推測(cè)，筆記在發(fā)布后的短期內(nèi)，不管互動(dòng)量多少，都有可能獲得推薦。但如果沒(méi)有持續(xù)獲得用戶互動(dòng)，系統(tǒng)就會(huì)停止推薦該筆記。

所以首頁(yè)推薦中，基本不會(huì)呈現(xiàn)發(fā)布時(shí)間久遠(yuǎn)，同時(shí)互動(dòng)數(shù)量也較少的筆記。

只有在用戶持續(xù)互動(dòng)的情況下，筆記才會(huì)進(jìn)入遞增的流量池，在之后較長(zhǎng)的一段時(shí)間里被不斷推薦。

2）搜索頁(yè)的排序邏輯

發(fā)現(xiàn)頁(yè)之外，搜索頁(yè)也是一個(gè)較大的流量入口。

根據(jù)不久前小紅書(shū)商業(yè)大會(huì)上公布的數(shù)據(jù)，有 30% 的小紅書(shū)用戶進(jìn)入 APP 后會(huì)直接開(kāi)始搜索。

在發(fā)現(xiàn)頁(yè)，小紅書(shū)主要采用的是推薦邏輯，而在搜索頁(yè)，小紅書(shū)則是按照排序邏輯分配流量，排序越靠上的筆記，獲得的曝光量也就越大。

但這個(gè)排序并不是固定的，筆記的排序也在隨著算法的實(shí)時(shí)演算而不斷變化。

@勺子 告訴運(yùn)營(yíng)社，在搜索頁(yè)面，影響排序結(jié)果的因素主要有三點(diǎn)： 關(guān)鍵詞的匹配程度、短時(shí)間的互動(dòng)量以及 觀看者的賬號(hào)行為。

①關(guān)鍵詞匹配程度

小紅書(shū)搜索中，筆記和用戶所搜索的關(guān)鍵詞的匹配程度，會(huì)很大程度上影響搜索結(jié)果頁(yè)中筆記的排序位置。

當(dāng)用戶搜索關(guān)鍵詞時(shí)，系統(tǒng)優(yōu)先呈現(xiàn)與關(guān)鍵詞高度匹配的筆記。

比如，搜索「共青公園櫻花」這個(gè)關(guān)鍵詞時(shí)，搜索頁(yè)排在第一位的筆記雖然互動(dòng)量沒(méi)有其他筆記多，但筆記內(nèi)容是和「共青公園櫻花」匹配的，所以也會(huì)被優(yōu)先展現(xiàn)。

在筆記的標(biāo)題、內(nèi)容和話題中，都可以布局關(guān)鍵詞。

那么如何布局關(guān)鍵詞，能讓筆記的排序靠前呢？

@勺子 表示，在標(biāo)題和內(nèi)容中提及近期較為熱門(mén)的關(guān)鍵詞，或者相關(guān)賽道領(lǐng)域中用戶會(huì)關(guān)注的詞語(yǔ)，確實(shí)會(huì)增加筆記被搜索到的概率。是否多次提及關(guān)鍵詞并不重要。

所謂“相關(guān)賽道領(lǐng)域中用戶會(huì)關(guān)注的詞語(yǔ)”，就是指該選題領(lǐng)域下的“細(xì)分關(guān)鍵詞”。之所以要去布局“細(xì)分關(guān)鍵詞”，在于兩個(gè)原因。

首先，如果關(guān)鍵詞的范圍太廣，該關(guān)鍵詞下的筆記數(shù)量就會(huì)越多，競(jìng)爭(zhēng)太大，反而越不容易獲得流量。

運(yùn)營(yíng)社測(cè)試后發(fā)現(xiàn)，搜索越是“細(xì)分”的關(guān)鍵詞，出來(lái)的筆記結(jié)果排序變動(dòng)會(huì)越小。

比如，運(yùn)營(yíng)社相隔一個(gè)月去搜索一個(gè)較為“細(xì)分”的關(guān)鍵詞「藍(lán)白英短價(jià)格」，上一個(gè)月搜索頁(yè)前兩名的筆記依舊留存在靠前的位置。

而去搜索「美妝」這一范圍較廣的關(guān)鍵詞，發(fā)現(xiàn)僅相隔 4 分鐘，排名前三的筆記就已經(jīng)發(fā)生了變動(dòng)。

其次，當(dāng)用戶去搜索時(shí)，往往會(huì)去搜索一個(gè)較為精準(zhǔn)的關(guān)鍵詞。比如說(shuō)，當(dāng)用戶想要了解“藍(lán)白英短”時(shí)，就會(huì)去搜索“藍(lán)白英短的價(jià)格”、“藍(lán)白英短怎么養(yǎng)”等等。

因此，筆記中的關(guān)鍵詞越精準(zhǔn)，越容易被用戶搜到，在結(jié)果頁(yè)留存的時(shí)間就會(huì)越長(zhǎng)，獲得的流量也會(huì)更多。

②筆記短時(shí)間內(nèi)互動(dòng)量

另一個(gè)影響筆記在搜索結(jié)果頁(yè)排序的因素，是筆記在發(fā)布后短時(shí)間內(nèi)獲得的互動(dòng)量。

@勺子 告訴運(yùn)營(yíng)社，筆記如果能在發(fā)布后的短時(shí)間內(nèi)獲得較多的互動(dòng)量（點(diǎn)贊、收藏、評(píng)論等） ，說(shuō)明就有成為爆文的潛質(zhì)，那么在搜索結(jié)果頁(yè)中也會(huì)排名較前。

比如說(shuō)，運(yùn)營(yíng)社搜索“上海櫻花”后發(fā)現(xiàn)，有幾篇點(diǎn)贊數(shù)量為 200-400 的筆記，它們的排名在點(diǎn)贊量為 1000 左右的筆記之上，內(nèi)容都是與“上海櫻花”相關(guān)。

截圖于 3 月 14 日

運(yùn)營(yíng)社猜測(cè)，這可能就和筆記在發(fā)布時(shí)間內(nèi)獲得的互動(dòng)數(shù)量有關(guān)。

下圖中的第一篇筆記大約是于 3 月 12 日發(fā)布，短短兩三天時(shí)間內(nèi)就獲得了 400+ 點(diǎn)贊，具備“爆文潛質(zhì)”的；而后面兩篇點(diǎn)贊約為 1000 的筆記，則是早早發(fā)布于 2021 年上半年，與現(xiàn)在相隔 1 年左右。

③觀看者的賬號(hào)行為

一位運(yùn)營(yíng)操盤(pán)手 @趙子辰Vic 曾提到過(guò)，小紅書(shū)的關(guān)鍵詞搜索結(jié)果是“千人千面”的，對(duì)不同用戶呈現(xiàn)不同結(jié)果。

排序算法會(huì)根據(jù)用戶過(guò)往行為，推測(cè)出用戶對(duì)話題的了解程度，從而匹配不同的搜索內(nèi)容。

運(yùn)營(yíng)社用不同的賬號(hào)在同一時(shí)間搜索同樣的關(guān)鍵詞，呈現(xiàn)的頁(yè)面是不同的。

比如，同一時(shí)間搜索「美食」，小紅書(shū)給一個(gè)賬號(hào) （圖片左側(cè)） 顯示了更多的上海的餐飲探店筆記，圖片右側(cè)顯示的內(nèi)容包括了美食制作和分享，結(jié)果更多樣。

運(yùn)營(yíng)社猜測(cè)，左側(cè)的賬號(hào)用戶可能近期搜索、瀏覽過(guò)上海的探店筆記，所以系統(tǒng)會(huì)推測(cè)用戶搜索「美食」，是更希望知道上海有哪些餐飲店。

02 在小紅書(shū)流量機(jī)制下，如何提高運(yùn)營(yíng)能力？

那么小紅書(shū)的流量分發(fā)機(jī)制，具體會(huì)對(duì)創(chuàng)作們產(chǎn)生怎樣的影響呢？根據(jù)流量分發(fā)機(jī)制，該如何調(diào)整運(yùn)營(yíng)思路？

1）筆記內(nèi)容需為用戶提供價(jià)值

小紅書(shū)的流量機(jī)制對(duì)創(chuàng)作者最重要的影響在于，內(nèi)容要能為用戶提供價(jià)值。

當(dāng)用戶能從筆記中感受到價(jià)值后，才會(huì)去點(diǎn)贊、收藏。因此筆記才能進(jìn)入遞增的流量池，在搜索結(jié)果頁(yè)的排序中才能靠前。

@勺子 表示，在小紅書(shū)社區(qū)中，較受歡迎的內(nèi)容一般提供了兩類價(jià)值： 一是實(shí)用價(jià)值，二是情緒價(jià)值。

所謂有實(shí)用價(jià)值，就是指筆記能給用戶帶來(lái)切實(shí)的干貨知識(shí)。

比如，這篇點(diǎn)贊、收藏?cái)?shù)量高達(dá) 2w+ 的筆記，就是圍繞生活中一些人常會(huì)遇到的問(wèn)題“手機(jī)丟失后該怎么辦”展開(kāi)，提供了干貨知識(shí)。

@勺子 還認(rèn)為，較受歡迎的筆記除了分享實(shí)用知識(shí)外，也會(huì)給用戶“情緒價(jià)值”。

所謂有“情緒價(jià)值”的筆記，就是指一些筆記（如嘮家常等） 或許沒(méi)有實(shí)用性，但能夠給用戶傳遞一種情緒（如快樂(lè)、悲傷等） 。

比如這一篇分享情侶拌嘴的筆記，傳達(dá)了一種“分享搞笑日?！钡那榫w，能夠激發(fā)起有同樣經(jīng)歷用戶的關(guān)注，調(diào)動(dòng)起討論的興趣。

這篇筆記獲得了 4w+ 的點(diǎn)贊，評(píng)論數(shù)量多達(dá) 3000+ 條，評(píng)論區(qū)里有許多用戶回應(yīng)“太好笑了”。

同時(shí)運(yùn)營(yíng)社認(rèn)為，小紅書(shū)流量分發(fā)機(jī)制也保證了更多內(nèi)容有被看到的潛力。只要筆記的內(nèi)容在社區(qū)中有價(jià)值，當(dāng)下不火，之后也有可能翻出來(lái)火。

@勺子 也表示，如果內(nèi)容關(guān)鍵詞變?yōu)闊嵩~，沉淀的優(yōu)質(zhì)筆記可以通過(guò)搜索重新獲得流量。

比如今年冬奧期間，冰墩墩爆火后，一篇發(fā)布于 2019 年、有關(guān)“冰墩墩”的筆記也重新獲得了流量。

注重用戶價(jià)值，從反面來(lái)說(shuō)，也需要規(guī)避不符合社區(qū)價(jià)值觀的內(nèi)容產(chǎn)出，比如炫富、擦邊球、惡意引戰(zhàn)等等。在小紅書(shū)的筆記發(fā)布界面，也有相應(yīng)提醒。

@勺子 表示，如果出現(xiàn)違規(guī)的內(nèi)容，筆記就不會(huì)被推薦。只要筆記合規(guī)，是一定會(huì)被系統(tǒng)收錄的。

2）細(xì)分領(lǐng)域深耕，做原創(chuàng)垂直賬號(hào)

在許多小紅書(shū)“運(yùn)營(yíng)攻略”中都有提到，發(fā)布者的賬號(hào)權(quán)重會(huì)影響小紅書(shū)的流量分配，但官方否認(rèn)了這一點(diǎn)。

在 @薯?xiàng)l小助手 發(fā)布的筆記中，強(qiáng)調(diào)了小紅書(shū)在賬號(hào)維度上不存在權(quán)重。

@勺子 對(duì)此也說(shuō)明，在小紅書(shū)做賬號(hào)，不需要“養(yǎng)號(hào)”（指通過(guò)正常的用戶瀏覽、點(diǎn)贊等行為，增加“賬號(hào)權(quán)重”） ，但需要保證賬號(hào)的原創(chuàng)度和內(nèi)容垂直程度。

保證原創(chuàng)度除了避免抄襲外，也需要避免內(nèi)容同質(zhì)化。運(yùn)營(yíng)者需要挖掘用戶的痛點(diǎn)，用不同的視角去產(chǎn)出內(nèi)容，傳遞給精準(zhǔn)的用戶人群。

比如，瑜伽博主都在做的“開(kāi)肩動(dòng)作”，如果單純教這個(gè)動(dòng)作可能和其他人的內(nèi)容會(huì)很相似。但產(chǎn)出如何“躺著做開(kāi)肩動(dòng)作”的內(nèi)容，從不一樣的視角切入，可能效果就會(huì)更好。

而賬號(hào)內(nèi)容垂直程度則會(huì)影響內(nèi)容的分發(fā)。

@勺子 提到，創(chuàng)作者和用戶都具有“標(biāo)簽”，賬號(hào)的內(nèi)容垂直度就是組成創(chuàng)作者“標(biāo)簽”的一部分。創(chuàng)作者的內(nèi)容會(huì)首先推送給跟 ta 標(biāo)簽相吻合的用戶。

舉個(gè)例子，如果一個(gè)創(chuàng)作者的標(biāo)簽為“健身”，那么 ta 的筆記會(huì)優(yōu)先推送給“標(biāo)簽”為“健身、運(yùn)動(dòng)”的用戶。該用戶看到后，點(diǎn)贊、收藏的可能性也較大。

這也意味著，如果賬號(hào)內(nèi)容不垂直，也會(huì)導(dǎo)致筆記匹配的人群較為混亂，產(chǎn)生的有效互動(dòng)更少，被持續(xù)推薦的可能性也就更小。

所以在賬號(hào)定位中就需要思考，內(nèi)容對(duì)標(biāo)的是哪些人群，如何通過(guò)內(nèi)容生產(chǎn)給這些用戶更多的價(jià)值。

同時(shí) @勺子 還分享道，在小紅書(shū)追熱點(diǎn)話題的筆記，確實(shí)會(huì)獲得一部分話題流量，但是否要追這個(gè)話題，還是得衡量話題和賬號(hào)是否匹配。

如果為了追熱點(diǎn)話題，而影響了賬號(hào)的垂直度，反而是得不償失。

3）關(guān)注深度互動(dòng)數(shù)據(jù)

由于互動(dòng)評(píng)分機(jī)制在小紅書(shū)的流量分配中十分重要，創(chuàng)作者需要在筆記內(nèi)容上思考如何引導(dǎo)互動(dòng)。

2017 年 @趙曉萌 曾分享，在社區(qū)上，小紅書(shū)內(nèi)容算法衡量的是社區(qū)的深度交互，舉了點(diǎn)擊、點(diǎn)贊、收藏等基礎(chǔ)互動(dòng)數(shù)據(jù)作為例子。

但運(yùn)營(yíng)社認(rèn)為，小紅書(shū)的算法發(fā)展到現(xiàn)在，這個(gè)「深度交互」也應(yīng)該更深一層去理解。也就是說(shuō)，深度交互不僅包括了基本的點(diǎn)贊、收藏、評(píng)論，也包括了進(jìn)一步的交互動(dòng)作。

比如「通過(guò)筆記帶來(lái)的關(guān)注」就屬于深度交互。

@勺子 認(rèn)為，在筆記推薦的評(píng)分機(jī)制里，關(guān)注是一個(gè)很重要的點(diǎn)，而這個(gè)關(guān)注數(shù)指的不是博主擁有的粉絲數(shù)，而是由筆記帶來(lái)的漲粉數(shù)。

同時(shí)，運(yùn)營(yíng)社猜測(cè)，小紅書(shū)筆記的評(píng)論區(qū)中，評(píng)論多次回復(fù)形成的「樓中樓」也屬于深度交互的一種。

據(jù)觀察，小紅書(shū)中首頁(yè)推薦的筆記，以及搜索界面排序靠前的筆記，評(píng)論區(qū)中用戶的“深度”討論普遍較多，某些熱評(píng)可以引發(fā)上百條回復(fù)。

也就是說(shuō)，除了在筆記價(jià)值和賬號(hào)垂直度上下功夫外，在筆記中吸引用戶關(guān)注、維護(hù)評(píng)論區(qū)的活躍度，提升筆記的「深度互動(dòng)數(shù)據(jù)」，也有可能獲得更多流量。

03 結(jié)語(yǔ)

小紅書(shū)主要有發(fā)現(xiàn)頁(yè)和搜索頁(yè)兩大流量入口，其中發(fā)現(xiàn)頁(yè)走的是推薦邏輯，搜索頁(yè)走的是排序邏輯。

每個(gè)頁(yè)面的呈現(xiàn)內(nèi)容，都會(huì)因?yàn)樽x者賬號(hào)歷史行為的不一樣，而有所不同。

但相同之處在于，運(yùn)營(yíng)者需要挖掘?qū)?biāo)用戶的痛點(diǎn)，生產(chǎn)有實(shí)用價(jià)值或情緒價(jià)值的筆記，并注重深度互動(dòng)的數(shù)據(jù)。

在這個(gè)層面上來(lái)說(shuō)，實(shí)際去做才是真正困難的部分，而理解小紅書(shū)的流量分配機(jī)制，只是個(gè)開(kāi)始。

P.S.因無(wú)法得知詳盡的算法邏輯，文章僅供大家參考。歡迎大家在閱讀時(shí)思考并和我們討論。

參考資料：

《小紅書(shū)里的秘密：機(jī)器學(xué)習(xí)如何幫助十人算法團(tuán)隊(duì)快速達(dá)成目標(biāo)》，趙曉萌

《小紅書(shū)如何實(shí)現(xiàn)高效推薦？解密背后的大數(shù)據(jù)計(jì)算平臺(tái)架構(gòu)》，郭一

《Sliding Spectrum Decomposition for Diversified Recommendation》，Yanhua Huang, Weikun Wang, Lei Zhang, Ruiwen Xu (Xiaohongshu Inc.)

《小紅書(shū)運(yùn)營(yíng)的3個(gè)誤區(qū)及解決方案！》，趙子辰 Vic

作者丨周鈺坤 丁奕然

編輯丨楊佩汶

設(shè)計(jì)丨王浩南

關(guān)鍵詞：