一文獨懂抖音、小紅書、視頻號平臺的推薦機制

最近一直在研究三大視頻平臺的機制，了解推薦、審核機制也能更好的做視頻的整體工作。此文將今日研究的一些成果做一些記敘。

抖音：行為預測主導的去中心化推薦

抖音采用深度學習模型+去中心化推薦機制，通過神經網絡預估用戶行為，機器判斷比傳統的用戶標簽更靈活。

抖音的內容分發流程主要分為三個階段：

視頻在進入冷啟動前，會進行機器初判階段。此時，就要根據口播文案、視頻字幕文案、畫面等內容進行合規性判斷。通過AI識別文本、圖像、聲音中的違規內容，包括侵權、低俗、違法違規、誘導、虛假宣傳等。然后進入到冷啟動階段，此時會進入到200-500人的流量池。

通過多模態特征識別技術，對視頻內容進行深度分析

平臺根據“打分機制”來評判視頻后續的推薦，完播率、點贊率、評論率、轉發率等用戶行為指標綜合計算。

抖音的推薦算法已幾乎不依賴對內容和用戶打標簽，而是通過神經網絡直接預測用戶行為，計算用戶觀看內容獲得的價值總和。

多樣性打散：打破 “相似內容連續轟炸”

算法會在推薦列表中主動 “打散” 高度相似的 AIGC 內容。

多興趣召回：挖掘用戶的 “隱藏興趣點”

傳統 “單興趣召回” 僅針對用戶最明顯的興趣（如 “AI 搞笑視頻”），而多興趣召回會通過用戶行為數據（如瀏覽時長、搜索記錄、評論關鍵詞）識別多個興趣標簽。

小紅書的推薦算法以CES評分(社區參與度評分)為核心

采用”內容標簽+用戶標簽”的雙向匹配機制

CES評分公式為：CES=點贊數(1分)+收藏數(1分)+評論數(4分)+轉發數(4分)+關注數(8分)

內容識別流程：

小紅書內容的“互動率”（點贊、評論、收藏）是突破幼稚內容的關鍵。這三項是推薦優質筆記進入1w~100w流量池差異化的關鍵。

優質內容會按順序進入覆蓋 1 萬、10 萬、100 萬以上用戶的展示范圍，其中用戶的互動表現（如點贊、評論、收藏等行為的綜合占比）是實現層級突破的關鍵因素。

小紅書的召回周期很長，即使發布2-3個月的視頻也會被找回進行流量推送，更注重長尾瀏覽。所以做小紅書一定要注重圖文質量和實際功能性的內容，通過“搜索”還可以推薦到優質內容。

視頻號的推薦算法與抖音、快手等平臺有本質區別，其核心邏輯是”私域流量撬動公域流量”，內容權重在三大平臺中最低，約占50%，社交關系鏈權重較高。

推薦機制：

內容審核流程：

違規判定標準：視頻號對直播內容的審核更為嚴格，禁止錄播、低互動行為、虛假演繹等

同時，平臺對內容原創性、畫質清晰度、互動真實性均有要求，私域流量中的”好友互動異常”(如短時間內大量點贊)可能被判定為違規

流量分配特點：視頻號的流量分配更依賴社交關系鏈，初始流量主要來自關注者、好友和社群的自然流量，隨后基于地理位置、興趣標簽等進行基礎推薦

內容得分排序權重為：完播率＞點贊數＞評論數＞點擊擴展鏈接數量＞轉發數＞收藏數

抖音的文本NLP處理采用子詞級分詞技術，主要基于以下方法：

分詞基礎算法：抖音使用前向最大匹配算法進行基礎分詞，同時結合BERT或RoBERTa等預訓練模型進行語義分析。
關鍵詞提取：抖音的NLP系統通過多模態特征提取技術，識別視頻中的關鍵信息。文本特征提取主要依靠雙向Transformer架構，能夠同時考慮前后文信息，提高關鍵詞提取的準確性。
標簽化過程：抖音的標簽化主要通過神經網絡計算實現，系統會根據內容特征和用戶行為，自動為視頻打上精準的標簽。這種標簽化方式不再依賴傳統的人工打標簽，而是通過算法模型自動完成，更加高效和精準。