小红书爆款算法有哪些

小红书的内容推荐系统并非单一算法，而是一套基于用户行为预测与内容质量评估的混合加权机制。从公开资料与平台技术拆解来看，真正决定一篇笔记能否成为爆款的算法核心可归纳为以下八大模块：

1. CES（Community Engagement Score）社区互动评分算法
这是小红书最核心的流量分配指标。CES综合衡量笔记的点赞、收藏、评论、转发、关注五类行为，且权重并非等同。根据平台早期公开信息及行业反推验证，典型权重排序为：评论（含评论互动时长）＞收藏＞转发＞点赞＞关注。其中，评论行为还能触发“二次推荐”，因为评论增加了作者与用户的互动深度，平台会判定内容具备“延伸讨论价值”。收藏行为则代表“长尾实用价值”，会显著提高笔记进入搜索流量池的权重。

2. 标签匹配与人群扩散算法
小红书采用“内容标签—用户兴趣标签”双向匹配机制。系统提取笔记的关键词、话题、视觉效果、文案语义后生成初始标签，先推送给该标签下活跃度最高的核心种子用户（通常为500-1000人）。若种子用户的点击率、互动率超过同类笔记阈值，系统则启动“扩散逻辑”：将流量扩展至相似标签用户，再通过协同过滤（Collaborative Filtering）扩展到“看过同样内容的人还喜欢什么”的人群。爆款笔记的底层必然是该标签体系下CTR（点击率）高于5%以上，且互动密度超出领域均值。

3. 双域流量池分级推荐算法
小红书流量池分为公域流量池和私域流量池，爆款算法本质是“闯关式”流层跃迁机制。笔记发布后先进入初始流量池（约200-500曝光），系统监测数据表现：
① 点击率（封面+标题吸引力）
② 完播率（视频）或阅读深度（图文长按保存、翻页速率）
③ 互动率（CES增速）
达到一级标准后进入万级流量池，再进行二次筛选进入十万级、百万级流量池。每个流量池的进入门槛并不是固定数值，而是与同领域竞品笔记的实时数据进行比较，采用“动态百分位”算法，Top10%的笔记可以晋级下一层。

4. 完播率与阅读时长权重算法
在信息流推荐中，小红书对完播率的重视程度高于抖音。图文笔记的“完播”被定义为用户滑至最后一张图并停留超过2秒，视频笔记则要求完整播放率超过70%。更关键的是“长按停顿”行为——用户在某一画面或段落上主动停留超过5秒，系统会认定该内容具有“信息增量”，从而加权推荐。反之，快速划走或回退操作会降低笔记在“兴趣分发”中的权重。爆款笔记通常将完播率控制在30%以上，这是算法端的硬性门槛。

5. 搜索关键词权重与SEO排名算法
小红书拥有独立的搜索算法，与信息流推荐算法并不完全一致。爆款笔记往往同时在“搜索场景”中占据高位。其算法逻辑是：
① 精准匹配：标题、正文首段、话题标签中的关键词必须与用户搜索词完全一致或包含近义词。
② 内容时效性：新发布的笔记若在短期内获得高互动，会在搜索排名中获得“新鲜度”加权。
③ 电商转化信号：若笔记带有商品链接，且点击购买转化率高于平均，算法会给予额外搜索加权。
④ 长尾关键词布局：系统通过NLP语义分析识别“主题域”，例如“油皮护肤”与“控油面霜”属于同一语义簇，布局多词相关内容的笔记更容易获得搜索曝光。

6. 用户实时反馈与兴趣衰减算法
小红书推荐系统会预测每个用户对每篇笔记的“点击概率”和“互动概率”，使用类似DeepFM、DIN（深度兴趣网络）等模型。当一篇笔记在推荐流中快速获得大量正向反馈，算法会提高其“实时热度系数”。但该系数并非线性增长，存在“兴趣衰减曲线”：同一笔记在24小时内若被集中推荐给相同人群，转化效率会持续下降。因此爆款算法会强制进行“人群破圈”，即从原始兴趣标签跳转至关联兴趣标签，例如从“美妆教程”扩展到“约会穿搭”或“生活方式”。爆款笔记必须能在破圈后依旧保持互动率，否则流量会戛然而止。

7. 违规检测与低质过滤算法
所有笔记在进入推荐池前必须先通过“多重审核算法”，目前包括：
① 重复度检测：与平台已有内容进行相似度比对，完全重复或洗稿内容会被直接限流。
② 广告识别模型：检测违规导流、外部联系方式、软文过度营销，该权重会细至检测“评论引导词”和“图片水印”。
③ 图片美学评分：通过CV（计算机视觉）模型分析封面图的清晰度、色彩饱和度、构图比例。低分封面会直接导致初始流量压缩。
④ 语义情绪分析：对文案进行“哀怨、负面、夸张”等情绪打分，高负面或反智内容会被降低推荐优先级。爆款笔记必须通过基础过滤，否则所有互动算法都无效。

8. 信息熵与内容稀缺性算法
小红书为了提升平台内容的差异化和丰富度，会在推荐算法中引入“信息熵”变量。同一用户如果连续被推送相同类型的笔记，系统会自动降低该类内容的推荐权重，并提升“新品类”内容的探索概率。对于发布者而言，爆款算法要求笔记具备“同领域异质化”——例如美妆账号发布“仿妆失败案例”比发布“完美仿妆教程”更容易获得额外流量奖励，因为系统判定后者内容同质化严重，前者具备更高的信息熵（新鲜度）。同时，算法会对“稀缺题材”给予初始加曝，通常为正常流量的1.5倍。

综合来看，小红书爆款算法的核心公式可简化为：爆款概率 =（点击率 × 完播率 × CES增长率 × 搜索匹配度）÷（内容重复度 × 广告嫌疑度）。其中，点击率由封面与标题决定，CES由评论区引导与收藏理由决定，完播率由视频节奏与图文排版决定。更重要的是，该算法存在“冷启动阶段（发布后1小时内）”和“长尾阶段（72小时后）”两种不同形态：冷启动阶段权重偏向互动率，长尾阶段权重偏向收藏率与搜索命中。理解这八类算法后，还需针对自身领域进行“小规模数据测试”，因为不同垂直赛道（美妆、家居、职场、旅游）的具体阈值存在显著差异。