爆文推送机制核心关键词包括:
预测打分 模型学习 双线推荐机制
1.什么是模型学习？
小红书算法模型每天都在深度学习
笔记数据有1t/天,这是什么概念呢?电脑装满900部电视连续剧
用户在小红书上产生的行为有5亿次/天
计算这个庞大的数据量,从9个维度判断用户喜欢的笔记是怎样的(阅读时长,点击,返回,收藏点赞等..)
2,预测打分和推荐
a.最底层,多种战略判断笔记是否为有用笔记(收录问题),把笔记放入池子里
b.给每个笔记打分,满分为1,此处为从模型学习来的,机器预估评分和即时互动数据没有一点联系.
c.决定笔记排名和位置
d.刷新或者点赞等操作后笔记位置重新排(包括千人千面)
3.双线推荐机制的意义
第二层为即时推荐,此外,小红书设定的程序每天还会继续分析素材样本,不断得训练模型,找出优秀的笔记,大致过程如下图.
这也是我为什么说小红书设定的程序喜欢还是用户喜欢,程序不断分析用户喜欢的笔记,再去推它认为用户喜欢的笔记,即使没有一点互动量.
以上就是小红书的爆文推荐机制
这里我有3个问题，大家可以思考一下:
小红书的爆文都是真实数据?不全是
小红书的爆文可以干扰吗? 不可以
小红书的爆文可以批量化复制吗?可以学习(机器统计,人工分析),但是爆不爆还是要看运气.
小红书是公平机制，我们已知的长期做优质内容,确实会有爆的概率,小红书推荐的人群是非常精准的,但出优秀内容的人并不多，而优质笔记正是平台和用户想要的。

---