两者基本上说的是一回事，di二种CES比较可信，也给出了计算公式，那么真的就像他们说的，小红书是这样的分发机制吗？
我们详细的看一下这两种推荐机制——
机制一：抖音算法实际是赛马机制
每天在抖音上也许有100万人上传短视频，抖音会随机的给每一个短视频分配一个平均的小的流量池，比如每个短视频平均会1000次曝光。
然后从这100万个短视频的1000次曝光里面来看，综合评价点赞、关注、评论、转发等数据，可能挑出1万条再平均分配10万次曝光。
zui后再去查看哪些是点赞、关注、转发、评论zui高的，然后从中间选出100条，这100条是已经一轮一轮验证过，一定是点击率高的。
这些短视频会进入推荐的池子，所有每天积累出来的精品推荐内容会变成一个越来越大的推荐池，所有的用户都会从一个推荐池里推荐。
这个推荐池还有一个特点，就是它的时效性并不强，因为它不是时效性的内容，可能是一些搞怪的、风景的、帅哥美女，所以它的衰减速度其实很慢，它会导致在这个池子里面累积很多长期霸屏的内容，有一些内容都是有几百万的点赞。
在抖音里面，你发布了一个视频，取得爆发式的增长，很多人去看。可是当你去做二条视频的时候，你同样是从零开始的，同样的起点跟当天上传的其他100万条视频去竞争，没有任何连带关系。
机制二：CES互动数据
笔记是否被推荐取决于在阶梯推荐中的互动数据表现，笔记发布后首先会被系统打上一系列标签，常识性的推给对这些标签感兴趣的用户。笔记推送给其他用户后，根据她们的一系列行为再给笔记进行打分，系统决定是否要继续推给其他用户。
有的人阅读量一直在停留70、80左右，就说明没有突破这一层。
这个评分体系被称为CES：
CES=点赞数（1分）+收藏数（1分）+评论数（4分）+关注数（8分）
先说一个构想: 就是小红书的推荐机制是可以被干扰的，如果前一秒发篇笔记，刷赞藏，笔记观看时长可以上首推爆文吗？
明显不可能。
早在4月，我们团队帮助品牌推广的过程中发现两个很有意思的情况：
1.大量的低互动数据得到了很好的流量推荐,这明显与前面说的抖音机制和CES不符合
2.不少账号的笔记在当时没有得到推荐，突然的某一天笔记阅读量爆发了，我们内部叫挖坟，没见过小红书这么会玩的。
那么小红书的爆文到底是怎么产生的？
核心关键词：模型学习，预测打分，双线推荐机制
一：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)。
二：预测打分+推荐
a. zui底层，多种策略判断笔记是否为有效笔记(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关系
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)
三：双线推荐机制
二层为即时推荐，此外，机器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。
这就很好的解释了，为什么小红书里，会不断有历史笔记，被挖掘出来得到推荐，机器不断学习用户喜欢的笔记，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。
咨询
