小红书代运营底层逻辑，小红书运营流量机制及背后的算法解读

点选下方白字，立刻高度关注他们

无论是达人营运帐号，却是国际品牌商业性导入，介绍确切聚润 *** 流量递送监督机制，都是十分必要性的，因此 *** 流量原产和递送监督机制也都较为好认知，那时他们控制 *** 的剖析呵呵聚润 *** 流量递送监督机制和另一面的演算法。一聚润 *** 流量内部结构

二聚润 *** 流量递送数学模型及另一面演算法

三聚润 *** 流量层次

聚润 *** 流量内部结构聚润 *** 流量原产并不繁杂，主要就分散在四个股：高度关注页、辨认出页、搜寻页。1高度关注页 *** 流量占比10%聚润最右侧是高度关注的网页，如果使用者高度关注了你的讲义就会透过那个网页间接下载到你的讲义。 *** 流量占比更高，且不负面影响 *** 流量层次的统计数据结论，因此管用但不多。2搜寻页 *** 流量占比10%-20%

*** 流量快速增长最慢的的股，有十分高占比的使用者关上聚润间接展开搜寻，把聚润当做搜寻引擎用。

尽管搜寻页的 *** 流量统计数据并无法负面影响讲义的 *** 流量层次试验，但搜寻页的 *** 流量十分显景，如果关键字实用性得宜，能在十分长的周期性赢得最精确的搜寻 *** 流量。03辨认出页 *** 流量占比70%-80%辨认出页是讲义的主要就 *** 流量作者，也是 *** 流量层次试验的前沿阵地，一则讲义能赢得多大批级的曝出，就看讲义在辨认出页的使用者意见反馈试验了。

聚润 *** 流量递送监督机制

其实聚润 *** 流量递送监督机制很好认知，成一句话是：内容标签匹配。啥叫内容标签啊？一则讲义发布以后，会被控制 *** 拆分成N个标签，然后去推送给最近有同样内容喜好的使用者。内容侧，一则讲义无论是图片却是文案，会被控制 *** 按照标签去区别和认知使用者侧，使用者最近的阅读喜欢也是会被控制 *** 按照标签展开分类和匹配。本质上，是一种内容标签对使用者标签的匹配。讲义推送给使用者后，根据使用者的一系列交互行为，给讲义打上内部分数，以决定是否要继续推给其他更多使用者。

CES = 点赞1分 + 收藏1分 + 转发4分 + 评论4分 + 高度关注8分那个演算法其实从2017年就已经在聚润内使用了，时至今日，演算法的判断指标相较以前更加丰富和多元化，综合在聚润内的导入实践经验，他们辨认出，如今平台更侧重以下几项：点选率、互动率、完播率、互动值但无论统计数据指标怎么变化，内容演算法的核心却是考察讲义带来的粉丝交互行为粉丝的交互行为间接反映了讲义的内容质量，即便是粉丝数不多的达人，在得分优质的前提下，讲义也会被控制 *** 推荐给更多粉丝，形成“阶梯式”演算法推荐。得分高的讲义，还会进一步得到来自聚润站内搜寻，和百度搜寻等 *** 流量的加持，这类 *** 流量的持续性很强，讲义具有很强的显景效应，可实现发了几年都还能保持点赞和评论的快速增长。聚润的 *** 流量递送监督机制跟抖音平台是最像的，中间更大的差异是对于帐号粉丝的意见反馈。相比聚润，抖音同样高度关注帐号已有粉丝对于新作品的统计数据意见反馈，如果已有粉丝对于新作品的统计数据意见反馈并不理想，可能会负面影响该作品的推荐 *** 流量。聚润则是更高度关注所有试验使用者的统计数据意见反馈，而不单单是帐号已有粉丝，因此聚润才是真正意义上的去中心化平台，这也是聚润平台KOC是传播主力的主要就原因。如果你输出有价值的内容发布优质的讲义，在没有粉丝的情况下也能得到平台的 *** 流量推荐。从而那个过程中得到更多的粉丝高度关注。

以上是关于聚润 *** 流量递送的一个简单概括。他们也附上，从技术角度去分析聚润 *** 流量分配另一面涉及到的具体演算法的过程，感兴趣的小伙伴也能简单介绍呵呵现在大家普遍认可的都是下面那个 *** 流量递送数学模型，控制 *** 根据使用者互动效果展开评分的体系是CES。实际上太笼统了，ces评分也不知道是出现在整个推荐流程中的之一步、第二步、第三步，却是反复计算。接下来我会透过具体的一些案例，从技术的角度去解释。

如果有看过我上篇讲搜寻 *** 流量的小伙伴应该有印象，一则讲义的搜寻 *** 流量相对稳定占位，而推荐 *** 流量是讲义成为爆款的核心。聚润线上推荐的流程主要就分为三步。之一步，从聚润使用者每天上传的讲义池中选出候选集，透过各种策略从千万条的讲义中选出几千个候选集展开初排。第二步，在数学模型排序阶段给每个讲义打分，根据聚润使用者的点赞和收藏行为给平台带来的价值设计了一套权重的评估体系，透过预估使用者的点选率，评估点选之后的点赞、收藏和评论等的概率展开打分。第三步，在将讲义展示给使用者之前，选择分数高的讲义，透过各种策略展开多样性调整。

那么聚润是如何从每天的讲义池中选出候选集展开初排的呢？聚润的内容图文并茂，使用者产生的内容图片多，质量很高。用CNN（卷积神经 *** ）提取图像特征，用Doc2Vec（文本到向量数学模型）提取文本特征，透过一和简单的分类器就能把使用者分到主题中，而主题是人工标定的上百上千个主题。这是初排。CNN和Doc2Vec具体是怎么提取讲义展开分类的？关于图片的识别，聚润是一个十分视觉的社区，图像很多，聚润用图像提取特征就已经能达到良好的效果，准确率大概是85%时覆盖率能达到73%左右。加上文本以后效果更好，准确率达到90%，覆盖率达到84%。图片这是之一个在内容创作中需要注意的地方，对图像的夸张识别到什么程度？他们有一次发幼儿、中小学的教育案例，拍到了角落翻开来的书上关于母婴胎教类的两行字，肉眼都看不清，违规发警告说涉及到婴儿遗传等敏感内容，帐号不被推荐3天。后来反复查找原因，才辨认出那个问题。这里再举一个更常见的例子，涉及到了G *** D数学模型里的机器深度学习。聚润上流行分享治痘，有很多脸上有很多痘痘怎么治好的讲义，怎么把这些观感其实不适的内容推荐给要看的人是一个问题。当聚润尝试用CNN model做那个事的时候，辨认出无论照片是全脸漏出、半脸、1/4脸甚至只有少量的脸部器官，都能很好的识别甚至识别图里的文本，对 *** 有一定的帮助。不要在图片上展开任何夹带私货，图片识别+图片文本识别，基本上准确率有90%。再讲呵呵文本的向量表示，文本的向量表示有十分多种，其中一个较为有名的向量表示叫做Word2Vec，是 Google 提出来的。它的原理十分简单，其实是一个十分浅的浅层神经 *** ，根据前后的词来预测中间那个词的概率，优化预测的时候数学模型就得到了词的向量表示。同样的那个词的向量表示在空间里也是有意义的，相似的词也处在相近的空间里。那个数学模型较为有意思的是，把向量拿出来随时能做向量运算。女人到男人之间的那个指向的向量，和皇后到国王之间是一样的，因此他们知道其中四个，就能算出另外一个。假如他们的讲义重点是“自驾”和“露营”，Word2Vec会据前后的词来预测中间那个词的概率，可能是装备、路线、 *** 、过夜、海边、周边、攻略，推送到对应的使用者网页。使用者画像和讲义画像是什么？在演算法中扮演什么角色？

聚润推荐预测数学模型已经演化到了GBDT+Sparse D&W的数学模型。主要就有9个预测任务，包括click、hide、like、fav、comment、share、follow等。点选、保持、喜欢、评论、分享、高度关注。点选是聚润更大的数学模型，一天大概产生5亿的样本展开数学模型训练。GBDT数学模型中的讲义递送，有十分多的使用者行为统计，产生了一些静态的信息和动态特征，用来描述使用者或者讲义。透过使用者画像和人口统计信息来描述使用者，比如性别年龄这些静态信息。讲义分作者和内容两个维度，比如作者打分、讲义质量、标签、主题。动态特征尽管不多，但是十分重要。动态特征包括使用者在下载和搜寻中有没有点选、有没有深度行为等类似的使用者意见反馈。这些交互的统计数据有一个实时的pipeline从线下间接放到线上的数学模型里，在线上会利用这些统计数据对点选率等交互质量的指标展开预测，然后根据使用者和讲义的隐形分类展开推荐。关于动态特征的提取，聚润用的是Doc2Vec数学模型，也叫做相关讲义。相关讲义的要求是什么？推荐的讲义和使用者在看的讲义，更好讲的是一个东西。比如说同一款口红、同一个酒店、同一个旅游城市、同一款衣服，可能不是一个酒店，但是是类似的酒店。可能不是同一个旅游城市，但可能是类似的旅游城市，是不是很难认知？那他们再具体一点，我如果看的是亚特兰蒂斯这种级别的酒店，那么聚润就不会给我推荐格林豪泰，而是类似同等级别的酒店。如果我经常搜的是雪山/草原/沙漠，那么就不会给我推荐上海/北京/广州这种人文和城市景观突出的地方。有一点需要注意的是，TFIDF model 尽管基本要求词是一样的，但它能把一类讲义找出来，是讲使用者心理、描述使用者心情的讲义，因为使用者描述心情用的词汇很接近，因此那个 *** 也会把扩展的内容找出来。“绝绝子”是十分明显的一个语气词或者形容词，在聚润有461万+篇讲义。最核心的实时归因场景业务，是如何 *** 使用者的行为标签的？使用者画像较为简单，不会存在过多的状态，而实时归因是整个实时流处理中最关键的场景。实时归因将讲义推荐给使用者后会产生曝出，产生打点信息，使用者的每一次曝出、点选、查看和回退都会被记录下来。

看呵呵下面这张图，四次曝出的使用者行为会产生四个讲义曝出。如果使用者点选第二篇讲义，就产生第二篇讲义的点选信息，点赞会产生点赞的打点信息。如果使用者回退，就会显示使用者在第二篇讲义停留了20秒。实时归因会生成两份统计数据，之一份是点选数学模型的统计数据标签，下图中之一则和第三篇讲义没有点选，第二篇和第四篇讲义有点选，这种统计数据对训练点选数学模型很重要。点赞数学模型也和上面几乎完全一样。

CES评分参与在演算法中的什么阶段？整个线上推荐的流程，只有在数学模型排序阶段给每个讲义打分。讲义在讲义展示给使用者之前，聚润会选择分数高的讲义透过各种策略展开多样性调整。Score=pCTR（plikeLike权重+pCmtCmt权重…），CES如果参与其中，只是十分小的一部分。我透过爬虫把爆文讲义爬了下来并做成CES形式的Excel表格分析，无论是表现各项统计数据关系的散点图却是曲线图，都没有一个有规律的图表，因此CES最多用在冷启动，聊胜于无。

聚润 *** 流量大致的层次

所谓 *** 流量层次其实是根据内容分成多个维度，给不同内容质量和帐号权重的内容展开 *** 流量的划分。在聚润，是分为8大层次，请对应自查，看看你的内容在哪一层次。1级 *** 流量层次→讲义下载量约0—200如果讲义不涉及违规，无论内容质量如何，基本都能赢得200左右的阅读，如果多篇讲义阅读维持在200，请高度关注是否收到关于违规的站内信，如果没有，说明要提升内容质量。2级 *** 流量层次→讲义下载量约200—500属于正常 *** 流量，大多数的帐号都能达到2级 *** 流量层次，较为容易，说明帐号无违规情况，但如果长期稳定在那个阅读区间，要自查活跃度/垂直度/原创度和内容质量。3级 *** 流量层次→讲义下载量约500—2000

说明帐号状态正常，讲义内容质量还能，但是互动率/点选率相比大盘平均统计数据略低，只能进入到第3 *** 流量层次，到达这一层次已经超越80%的聚润帐号，内容质量上请继续努力。

4级 *** 流量层次→讲义下载量约2000—2w

说明内容已经赢得了不错统计数据，具有小爆款的潜质，统计数据在持续爬升，如果使用者意见反馈行为仍在增加，平台会继续给 *** 流量。

5级 *** 流量层次→讲义下载量约2w—10w5级 *** 流量池是自然 *** 流量的最后一关，依然是使用者互动统计数据决定是否进入下一 *** 流量层次，达到那个层次的讲义已经算是较为出众的内容，又或是有一定粉丝基数和权重较为好的帐号。6级 *** 流量层次→讲义下载量约10w—100w已经进入热门讲义门槛，达到那个阶段的讲义已经具备一定的稀缺性，使用者互动统计数据较为好，也是从这一层次开始试验更多使用者后端统计数据，比如主页关上率/高度关注率/回搜率，很多依靠标题党/头图党赢得的高点选率的讲义，会在这一层次被停止推荐，能说这一层次也是最难过的层次。7级 *** 流量层次→讲义下载量约100W—500W

讲义进入这一层次就说明已经成为爆文，无论是使用者互动统计数据却是使用者后端统计数据，都有不错的表现。

也是从这一层次开始就有人工层面的干预了，比如：价值观是否符合社区？加权推荐后是否存在舆情风险？是否存在版权风险？使用者观感是否优质？如果都能排除掉的话就会赢得加权推荐，讲义曝出统计数据也会赢得百万级快速增长。这一层次通常是粉丝基数较为大，又或者内容质量十分好的讲义，素人帐号的讲义基本不可能到这一层次8级 *** 流量层次→讲义下载量约500W+

难得一见的大 *** 流量爆文，使用者互动统计数据和使用者后端统计数据表现都十分出色，远高于大盘平均统计数据，且赢得了平台的加权推荐，算是平台的香饽饽，那个阶段的内容一般是热点新闻/时事之类的居多，头部博主想要达到那个统计数据的 *** 流量，也十分困难。

【免责声明：图文来自 *** ，主要就目的在于分享。版权属原作者所有，如有侵犯您的权益请及时告知他们，他们将在24小时之内删除。】