?什么是算法推荐？
简单来说，就是将用户与TA感兴趣的内容进行精确匹配。
?算法推荐怎么运作的？
Step1：系统会通过应用层的注册信息、用户行为收集统计所有信息；
Step2：通过策略层的相关算法对用户信息进行分类，勾勒用户画像，进行用户分组。
Step3：系统根据发布话题、关键词等给笔记打上标签，推荐给对应的分组用户。还会根据发布笔记的位置推荐给距离20km内的用户。
Step4：最后再根据用户的点赞、收藏、评论、转发、关注，给笔记打上内部分数，判断是否继续推给其他用户。并且得分高的笔记会被官方认定为优质笔记进行流量扶持。这个评分体系在小红书内部称为 CES ( community engagement score )。计算方式如下： CES ＝点赞数＊1分＋收藏数＊1分＋评论数＊4分＋转发数＊4分＋关注数＊8分
2️⃣讲讲前面提到的用户分类
?按照价值维度分类：头部、肩部、腰部、长尾用户。每种用户特征不一，头部用户价值高但数量少。这类大部分是粉丝较多的博主，通过 TA 们传播裂变带来了大量用户，通常会成为核心用户。这也是各大平台争抢头部博主的原因。而长尾用户的数量庞大却粘性不高，针对这类用户，算法推荐和运营策略也会相应调整。
?按照活跃维度分类：根据 DAU 、 WAU 、 MAU 、 PV 和 UV 、日均在线时长、日均启动次数等将用户划分为超活用户、活跃用户、普通用户、沉默用户4个群体。分析4个用户群体的行为特征，探索一条有助于一个普通用户成长为一个优质的超活用户的典型路径，然后努力把用户带上这条路，从而推动产品整体活跃用户数的上升。
?按照具体业务分类：信息生产用户、信息传播用户、信息消费用户。这三种身份是不冲突的，一个用户可以同时生产、传播、消费信息。如何让信息生产用户保持高质量和高频率的生产、让信息传播用户自发传播信息、让信息消费用户获得 TA 满意的内容、如何让其形成增长的正循环，都是小红书社区运营的重心。
3️⃣让小红书更贴合自己的喜好
?点击、观看时长、点赞、收藏、评论、分享
不同于抖音的单列设计，小红书首页的双列瀑布流设计。所有的笔记都由我们主动选择，那么我们的任何行为都是至关重要的，都会被系统记录下来。我们在瀑布流里选择了某个笔记，观看了几分钟，然后点赞、收藏、评论、分享。所以如果我们想更多地看到该类型笔记，就需要多多一键三连。并且视频和图文的形式也影响推荐，因为视频笔记的相关推荐都是视频笔记，不会推荐相似的图文笔记。多给几个视频点赞，会发现短时间内小红书首页全都是视频。
?浏览博主主页、关注博主
当我们因为笔记进入博主主页浏览时，系统会在我们浏览了博主主页的几个笔记后，判断我们对该博主十分感兴趣，会提示我们关注博主，这个提示也大大提升了转化率，增加了用户粘性。而关注了博主之后，系统也会立刻在页面上弹出一些类似博主，引导我们继续关注。
?对不喜欢的笔记进行反馈
或者你会遇到以下这些情况：某类笔记重复推荐、某笔记的偏向性和诱导性太强、某博主的言论不友好等等。我们可长按笔记选择不喜欢+理由，系统会记住该反馈并减少推荐该类笔记。App 首页要兼顾用户体验和商业目标的平衡。所以在信息流里插入直播、广告是必然的事情。但我们也可以对它进行反馈，反向促使直播、广告更加制作精良、符合我们的审美。
?搜索行为的影响
小红书的传播具有长尾效应。小红书优质笔记的点赞量、收藏量、评论量是慢慢地、持续的爬升，但内容的生命周期非常长。这当中搜索的作用非常大。
当然我们不仅可以训练小红书更贴合自己的喜好，也可以反向利用上面的几点打破信息茧房。
