太妃网络科技（上海）有限公司

一文独懂抖音、小红书、视频号平台的推荐机制

抖音：行为预测主导的去中心化推荐

抖音采用深度学习模型+去中心化推荐机制，通过神经网络预估用户行为，机器判断比传统的用户标签更灵活。

抖音的内容分发流程主要分为三个阶段：

视频在进入冷启动前，会进行机器初判阶段。此时，就要根据口播文案、视频字幕文案、画面等内容进行合规性判断。通过AI识别文本、图像、声音中的违规内容，包括侵权、低俗、违法违规、诱导、虚假宣传等。然后进入到冷启动阶段，此时会进入到200-500人的流量池。

通过多模态特征识别技术，对视频内容进行深度分析

平台根据“打分机制”来评判视频后续的推荐，完播率、点赞率、评论率、转发率等用户行为指标综合计算。

抖音的推荐算法已几乎不依赖对内容和用户打标签，而是通过神经网络直接预测用户行为，计算用户观看内容获得的价值总和。

多样性打散：打破 “相似内容连续轰炸”

算法会在推荐列表中主动 “打散” 高度相似的 AIGC 内容。

多兴趣召回：挖掘用户的 “隐藏兴趣点”

传统 “单兴趣召回” 仅针对用户最明显的兴趣（如 “AI 搞笑视频”），而多兴趣召回会通过用户行为数据（如浏览时长、搜索记录、评论关键词）识别多个兴趣标签。

小红书的推荐算法以CES评分(社区参与度评分)为核心

采用”内容标签+用户标签”的双向匹配机制

CES评分公式为：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)

内容识别流程：

小红书内容的“互动率”（点赞、评论、收藏）是突破幼稚内容的关键。这三项是推荐优质笔记进入1w~100w流量池差异化的关键。

优质内容会按顺序进入覆盖 1 万、10 万、100 万以上用户的展示范围，其中用户的互动表现（如点赞、评论、收藏等行为的综合占比）是实现层级突破的关键因素。

小红书的召回周期很长，即使发布2-3个月的视频也会被找回进行流量推送，更注重长尾浏览。所以做小红书一定要注重图文质量和实际功能性的内容，通过“搜索”还可以推荐到优质内容。

视频号的推荐算法与抖音、快手等平台有本质区别，其核心逻辑是”私域流量撬动公域流量”，内容权重在三大平台中最低，约占50%，社交关系链权重较高。

推荐机制：

内容审核流程：

违规判定标准：视频号对直播内容的审核更为严格，禁止录播、低互动行为、虚假演绎等

同时，平台对内容原创性、画质清晰度、互动真实性均有要求，私域流量中的”好友互动异常”(如短时间内大量点赞)可能被判定为违规

流量分配特点：视频号的流量分配更依赖社交关系链，初始流量主要来自关注者、好友和社群的自然流量，随后基于地理位置、兴趣标签等进行基础推荐

内容得分排序权重为：完播率＞点赞数＞评论数＞点击扩展链接数量＞转发数＞收藏数

抖音的文本NLP处理采用子词级分词技术，主要基于以下方法：

分词基础算法：抖音使用前向最大匹配算法进行基础分词，同时结合BERT或RoBERTa等预训练模型进行语义分析。
关键词提取：抖音的NLP系统通过多模态特征提取技术，识别视频中的关键信息。文本特征提取主要依靠双向Transformer架构，能够同时考虑前后文信息，提高关键词提取的准确性。
标签化过程：抖音的标签化主要通过神经网络计算实现，系统会根据内容特征和用户行为，自动为视频打上精准的标签。这种标签化方式不再依赖传统的人工打标签，而是通过算法模型自动完成，更加高效和精准。

小红书的文本NLP处理更注重关键词布局与搜索优化，其分词机制主要基于以下方法：

视频内容检测，AI会结合文本（字幕、标题、视频简介）文本会结合NLP拆词，例如“上海东方明珠”会拆成“上海”、“东方明珠”两套词、图像（封面），封面的特征例如人脸、衣着等均为检测目标、音效（背景音乐）、视频画面（抽帧检测）等多模态特征进行合规审查。

生成式AI模型应用：如S-YOLO V5和Vision Transformer模型用于视频内容描述生成，结合注意力机制（Attention）增强关键帧识别，提升文本生成质量。