對于想入局小紅書、產(chǎn)出爆款筆記的博主們而言，有哪些規(guī)則是需要注意的？與此同時，博主們又可以采取怎樣的運營策略，產(chǎn)出爆款筆記，實現(xiàn)快速增粉？本篇文章里，作者便結(jié)合自身經(jīng)驗，對小紅書的運營策略進行了解讀，一起來看。

Hi，小伙伴，見字如面。

分享自己對于小紅書的一些理解，主題是《爆款內(nèi)容的誕生與極致利用》。

一、小紅書流量機制解析

小紅書對于筆記流量來源有 2 種略有不同的劃分。

1 種是小紅書創(chuàng)作中心對于筆記流量來源的劃分：

• 首頁推薦；
• 搜索；
• 關(guān)注頁面；
• 個人主頁；
• 搜索；
• 其他來源。

另 1 種是小紅書蒲公英對于筆記流量來源的劃分：

• 發(fā)現(xiàn)頁；
• 搜索頁；
• 關(guān)注頁；
• 博主個人頁；
• 附近頁；
• 其他。

這 2 種劃分實際上差不多，但是小紅書近期有一些調(diào)整，所以上述的劃分并沒有及時更新，因此小紅書現(xiàn)在的筆記流量來源有這些：

• 發(fā)現(xiàn)頁；
• 關(guān)注頁；
• 視頻流；
• 搜索頁；
• 個人主頁；
• 小紅書群聊；
• 其他。

而小紅書的筆記流量來源主要取決于推薦與搜索。

1. 推薦系統(tǒng)基本鏈路

用戶刷新小紅書后，推薦系統(tǒng)會同時調(diào)用幾十條召回通道，每條召回通道從數(shù)據(jù)庫里快速取回幾十到幾百篇筆記，一共取回幾千篇筆記，這些召回通道實際上就是不同的算法/規(guī)則在作用，從數(shù)據(jù)庫里進行去重、過濾、篩選。

然后用規(guī)模比較小的機器學習模型，給幾千篇筆記逐一打分，按照分數(shù)做排序和截斷，保留分數(shù)最高的幾百篇筆記，即粗排與截斷。

之后用大規(guī)模的深度神經(jīng)網(wǎng)絡給幾百篇筆記逐一打分，即精排。

粗排與精排的原理基本相同，實際上就是用不同深度的機器學習模型及神經(jīng)網(wǎng)絡等，預估用戶對于筆記的興趣，根據(jù)預估的興趣分數(shù)進行排序。

幾百篇筆記帶著精排分數(shù)進入重排，重排會考慮內(nèi)容多樣性問題，根據(jù)精排分數(shù)和多樣性分數(shù)做隨機抽樣，得到幾十篇筆記，再把相似的筆記打散，避免把過于相似的內(nèi)容排在相鄰的位置上，最后插入廣告和運營內(nèi)容，以及根據(jù)生態(tài)要求調(diào)整排序呈現(xiàn)給用戶。

1）召回通道

推薦系統(tǒng)在推薦分發(fā)過程里所調(diào)用的召回通道實際上就是不同的算法/規(guī)則在作用，從數(shù)據(jù)庫里進行去重、過濾、篩選，所以闡述一下幾條比較重要/常用的召回通道。

① 基于物品的協(xié)同過濾

在小紅書推薦系統(tǒng)里，物品即內(nèi)容，所以基于物品的協(xié)同過濾即基于內(nèi)容的協(xié)同過濾。

基于內(nèi)容的協(xié)同過濾的基本思想是根據(jù)內(nèi)容的相似度做推薦，因為用戶對這篇內(nèi)容感興趣，而這篇內(nèi)容與另一篇內(nèi)容相似，所以用戶也很可能會對另一篇內(nèi)容感興趣。

舉個例子。

我喜歡看《笑傲江湖》，《笑傲江湖》與《鹿鼎記》相似，但是我沒有看過《鹿鼎記》，這個時候推薦系統(tǒng)就會給我推薦《鹿鼎記》，而推薦的理由就是《笑傲江湖》與《鹿鼎記》相似。

至于推薦系統(tǒng)是如何判斷《笑傲江湖》與《鹿鼎記》相似的，其實很簡單。

比如通過知識圖譜，這 2 本書籍的作者相同，所以這 2 本書籍相似；

比如基于所有用戶的行為分析，給《笑傲江湖》好評的用戶，也給《鹿鼎記》好評，所以這 2 本書籍相似，通過用戶的行為挖掘出內(nèi)容之間的相似性，再利用內(nèi)容之間的相似性做推薦；

比如基于內(nèi)容受眾的重合度，喜歡看《笑傲江湖》的用戶跟喜歡看《鹿鼎記》的用戶重合度比較高，所以這 2 本書籍相似……

因為基于內(nèi)容的協(xié)同過濾會基于內(nèi)容受眾重合度進行推薦，但是又希望 2 篇內(nèi)容重合的受眾是廣泛且多樣，而不是集中在一個小圈子里的，所以基于內(nèi)容的協(xié)同過濾會給用戶設置權(quán)重，解決小圈子之類的問題。

② 基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾的基本思想是根據(jù)用戶的相似度做推薦，因為我跟某位用戶的興趣愛好之類相似，所以我感興趣的內(nèi)容很可能這位用戶也會感興趣。

舉個例子，

我跟某位用戶的興趣愛好之類相似，我對某篇內(nèi)容感興趣，但是這位用戶沒有看過，這個時候推薦系統(tǒng)就會給這位用戶推薦我感興趣的這篇內(nèi)容，而推薦的理由就是我跟這位用戶的興趣愛好之類相似。

至于推薦系統(tǒng)是如何判斷我跟這位用戶興趣愛好之類相似的，其實很簡單。

比如通過查看我跟這位用戶過往感興趣內(nèi)容的重合度，判斷我跟這位用戶的興趣愛好之類是否相似；

比如通過查看我跟這位用戶的關(guān)注列表的重合度，判斷我跟這用戶的興趣愛好之類是否相似……

但是在這個判斷過程存在一個問題，即不同用戶對于同一熱門內(nèi)容/作者感興趣的概率極大，這樣就容易導致錯誤判斷用戶的相似度。

舉個例子。

《笑傲江湖》是熱門內(nèi)容、周杰倫是熱門作者，我喜歡 TA 們，我的長輩也喜歡 TA 們，但是我跟我的長輩興趣并不相似。

所以為了更好地計算用戶相似度，基于用戶的協(xié)同過濾會降低熱門內(nèi)容/作者等的權(quán)重，避免產(chǎn)生誤判。

③ 地理位置召回

根據(jù)用戶所在的地理位置做推薦；只看地理位置，不考慮用戶興趣，基于地理位置、時間順序、優(yōu)質(zhì)內(nèi)容做推薦。

④ 同城召回

與“地理位置召回”同理，唯一不同的是同城召回是根據(jù)用戶所在的城市和曾經(jīng)生活過的城市做推薦。

⑤ 作者召回

根據(jù)用戶感興趣的作者做推薦，因為我對某位作者感興趣，所以這位作者的其他內(nèi)容我很可能也會感興趣。

舉個例子。

我在小紅書上關(guān)注了某位作者，但是這位作者最近新發(fā)布的內(nèi)容我沒有看過，這個時候推薦系統(tǒng)就會給我推薦這位作者最近新發(fā)布的內(nèi)容。

至于推薦系統(tǒng)是如何判斷我對這位作者感興趣的，其實很簡單。

比如通過查看我是否有關(guān)注這位作者，判斷我對這位作者是否感興趣；

比如通過查看我是否對這位作者所發(fā)布的內(nèi)容感興趣， 判斷我對這位作者是否感興趣……

因為用戶感興趣的作者可能比較多，所以作者召回會優(yōu)先級根據(jù)用戶最近感興趣的作者做推薦，而用戶之前感興趣，但是最近沒有交互過的作者則不會被推薦。

⑥ 相似作者召回

根據(jù)用戶感興趣作者的相似度做推薦，因為這位作者感興趣，而這位作者與另一位作者相似，所以另一位作者發(fā)布的內(nèi)容很可能用戶也會感興趣。

舉個例子。

這位作者跟另一位作者相似，用戶對這位作者感興趣，但是另一位作者發(fā)布的內(nèi)容用戶沒有看過，這個時候推薦系統(tǒng)就會給用戶推薦另一位作者發(fā)布的內(nèi)容，而推薦的理由就是這位作者跟另一位作者相似。

至于推薦系統(tǒng)是如何判斷這位作者跟另一位作者相似的，其實很簡單。

比如通過查看這位作者跟另一位作者的粉絲重合度，判斷這位作者跟另一位作者是否相似……

……

2）預估分數(shù)的維度

粗排與精排的原理基本相同，實際上就是用不同深度的機器學習模型及神經(jīng)網(wǎng)絡等，預估用戶對于筆記的興趣，根據(jù)預估的興趣分數(shù)進行排序，而排序的主要依據(jù)是：

機器學習模型及神經(jīng)網(wǎng)絡等對于內(nèi)容點擊率、點贊率、收藏率、轉(zhuǎn)發(fā)率之類的指標做預估，做完預估后，把這些分數(shù)按照不同權(quán)重比例進行融合，比如行業(yè)里經(jīng)常提及的 CES，CES = 點贊數(shù) * 1 + 收藏數(shù) * 1 + 評論數(shù) * 4 + 轉(zhuǎn)發(fā)數(shù) * 4 + 關(guān)注數(shù) * 8……最后按照融合的分數(shù)給內(nèi)容做排序和截斷，保留分數(shù)最高的內(nèi)容，淘汰分數(shù)低的內(nèi)容。

上述的 CES 是 2017 年提及至今的，所以哪怕是真的，也已經(jīng)是過去式啦。

因為真實的內(nèi)容預估及融合分數(shù)算法是不可知的黑盒，所以就只能通過知曉預估分數(shù)的一些維度，把控好變量來提高預估及融合分數(shù)啦。

① 用戶畫像

• 性別；
• 年齡；
• 用戶注冊時間；
• 活躍度；
• 新/老用戶；
• 高/低活躍用戶；
• 感興趣的類目、關(guān)鍵詞、品牌；
• ……

② 內(nèi)容畫像

• 內(nèi)容 ID；
• 內(nèi)容發(fā)布時間；
• 內(nèi)容年齡（內(nèi)容發(fā)布時長）；
• 定位；
• 標題；
• 類目；
• 關(guān)鍵詞；
• 品牌；
• 筆記字數(shù)；
• 圖片數(shù)；
• 視頻清晰度；
• 標簽數(shù)；
• 內(nèi)容信息量；
• 圖片美學；
• ……

內(nèi)容信息量與圖片美學等內(nèi)容質(zhì)量維度是小紅書算法打的分數(shù)，在內(nèi)容發(fā)布的時候，小紅書就用模型給內(nèi)容打分，把內(nèi)容信息量、圖片美學等內(nèi)容質(zhì)量維度的各項分數(shù)計入內(nèi)容畫像。

但是內(nèi)容信息量并不一定需要多，而是需要精準直白，可被機器學習模型及神經(jīng)網(wǎng)絡理解，因此會發(fā)現(xiàn)有許多爆款內(nèi)容只是幾張圖片、幾句話，其實就是因為內(nèi)容信息量不多，且精準直白，機器學習模型及神經(jīng)網(wǎng)絡知道可推薦給誰。

而圖片美學是個比較感性、主觀的東西，但是會有一些基礎標準在，比如真實、整潔、自然等，并不一定需要有多驚艷，關(guān)鍵是不能太凌亂，太做作……

③ 用戶統(tǒng)計特征

• 用戶最近 30 天 / 7 天 / 1 天 / 1 小時等時間段的點擊率、點贊率、收藏率、轉(zhuǎn)發(fā)率等；
• ……

④ 內(nèi)容統(tǒng)計特征

• 內(nèi)容最近 30 天 / 7 天 / 1 天 / 1 小時等時間段的曝光數(shù)、點擊數(shù)、收藏數(shù)等；
• ……

⑤ 作者統(tǒng)計特征

• 發(fā)布的筆記數(shù)量；
• 粉絲數(shù)；
• 消費指標：曝光數(shù)；點擊數(shù)；點贊數(shù)；收藏數(shù)；……

這些特征反映了作者的受歡迎程度，以及 TA 的作品的平均品質(zhì)，所以假設一位作者的品質(zhì)普遍很高，那 TA 新發(fā)布的作品大概率也會很高。

⑥ 場景特征

• 用戶當前的定位；
• 用戶當前定位的城市；
• 當前的時刻；
• 設備信息；
• ……

2）新筆記的推薦全鏈路

① 機器/人工審核

筆記發(fā)布后，小紅書會對筆記內(nèi)容進行機器/人工審核。

一般是機器先審，假設機器判定為疑似違規(guī)或者不可判定的情況下，會交由人工進行審核。

審核主要是圍繞小紅書的相關(guān)規(guī)則規(guī)范，以及一些隱性規(guī)則等進行審核。

假設筆記涉嫌違規(guī)，小紅書會根據(jù)違規(guī)程度進行不同程度的懲罰，輕則限流，重則完全屏蔽。

• 輕度限流：減少流量推薦。
• 重度限流：沒有推薦與搜索流量，僅有私域性質(zhì)流量，即僅推薦分發(fā)給粉絲，在小紅書群聊、個人主頁等私域性質(zhì)界面均可查看。
• 完全屏蔽：沒有任何流量，筆記不可查看，即除自己以外所有賬號/方式均沒辦法查看。

② 打標簽與打分

筆記在審核的同時，小紅書會對筆記進行打標簽與打分，實際上就是用機器學習模型及神經(jīng)網(wǎng)絡等，識別筆記內(nèi)容進行內(nèi)容質(zhì)量打分，以及預估用戶對于筆記的興趣分數(shù)，因為是新筆記，所以小紅書僅能從這些維度去預估分數(shù)：

a. 內(nèi)容畫像

• 內(nèi)容 ID；
• 內(nèi)容發(fā)布時間；
• 定位；
• 標題；
• 類目；
• 關(guān)鍵詞；
• 品牌；
• 筆記字數(shù)；
• 圖片數(shù)；
• 視頻清晰度；
• 標簽數(shù)；
• 內(nèi)容信息量；
• 圖片美學；
• ……

b. 作者統(tǒng)計特征

• 發(fā)布的筆記數(shù)量；
• 粉絲數(shù)；
• 消費指標：曝光數(shù)；點擊數(shù)；點贊數(shù)；收藏數(shù)；……

③ 實時推薦

新筆記的推薦鏈路跟上述“小紅書推薦系統(tǒng)的鏈路”基本一致，但因為是新筆記，所以筆記缺少信息，需要精準推薦。

所以小紅書會把流量向新筆記傾斜，讓新筆記獲得更多的曝光機會，進而激勵作者的發(fā)布積極性。

因此，小紅書會在推薦新筆記的時候，會針對新筆記做推薦全鏈路優(yōu)化，包括召回和排序，讓新筆記有足夠的機會走完鏈路被曝光，且會盡量讓新筆記的推薦做得準，不引起用戶反感。

小紅書會在推薦新筆記的時候，給新筆記增加單獨的召回通道，比如：

• 類目召回；
• 關(guān)鍵詞召回。

根據(jù)類目/關(guān)鍵詞，按照發(fā)布時間倒排，最新發(fā)布的筆記排在最前面做推薦。

聚類召回：基于筆記的圖文內(nèi)容做推薦，假設用戶對一篇筆記感興趣，大概率會對內(nèi)容相似的筆記感興趣。

……

小紅書會在推薦新筆記的時候，給新筆記在排序階段提權(quán)，根據(jù)新筆記的內(nèi)容質(zhì)量、作者質(zhì)量，給新筆記單獨定一個曝光保量目標，達到曝光保量目標之后，就會停止扶持，讓新筆記自然分發(fā)，跟老筆記公平競爭。

這也是為什么有些博主會感覺自己的筆記發(fā)布 1-2 小時數(shù)據(jù)好，但是 1-2 小時之后，數(shù)據(jù)突然變差了，實際就是因為在剛發(fā)布的時候，筆記有差異化提權(quán)保量，但是筆記在達到曝光保量目標之后，就會停止扶持，讓新筆記自然分發(fā)，跟老筆記公平競爭，所以流量增長速度變慢啦。

3）小紅書搜索引擎的鏈路

小紅書搜索引擎的鏈路主要是 3 個關(guān)鍵環(huán)節(jié)，查詢詞處理、召回、排序。

用戶在小紅書搜索框輸入想搜索的內(nèi)容后，搜索引擎會對用戶輸入的查詢詞（想搜索的內(nèi)容）進行處理，主要是分詞與理解。

在處理的同時，搜索引擎會調(diào)用一些召回通道，從數(shù)據(jù)庫里快速取回幾十到幾百篇筆記，一共取回幾千篇筆記，這些召回通道實際上就是不同的算法/規(guī)則在作用，從數(shù)據(jù)庫里進行去重、過濾、篩選。

取回后，搜索引擎會根據(jù)對于查詢詞的理解、相關(guān)性、內(nèi)容質(zhì)量、時效性、個性化等進行排序，再把相似的筆記打散，避免把過于相似的內(nèi)容排在相鄰的位置上，最后插入廣告和運營內(nèi)容，以及根據(jù)生態(tài)要求調(diào)整排序呈現(xiàn)給用戶。

① 查詢詞處理

用戶在小紅書搜索框里輸入想搜索的內(nèi)容后，搜索引擎就會對用戶所輸入的查詢詞（即用戶在小紅書搜索框輸入想搜索的內(nèi)容）進行處理。

• 分詞；
• 拼寫糾錯；
• 同義詞改寫；
• 針對所分解的詞進行打分，形成不同權(quán)重的關(guān)鍵詞；核心詞：核心意圖，去掉之后意思完全改變，沒辦法搜索到用戶想要的結(jié)果；重要詞：核心意圖的重要組成部分，去掉之后意思有所改變，但是依然可搜索到用戶想要的結(jié)果；輔助詞：修飾意圖，去掉后意思變化比較小，對于搜索結(jié)果影響不大，但是有利于個性化推薦。

舉個例子。

用戶輸入的查詢詞是“日系中長發(fā)男生造型”，所以：

核心詞：男生造型；

重要詞：中長發(fā)；

輔助詞：日系；

• 類目識別；
• 意圖識別；
• ……

所以，在選擇關(guān)鍵詞的時候，可基于查詢詞處理的邏輯，把搜索熱詞進行分詞，側(cè)重植入核心詞與重要詞，以此提高筆記搜索排名。

② 召回

跟推薦系統(tǒng)的召回類似，搜索引擎會根據(jù)對于查詢詞的理解調(diào)用召回通道，從數(shù)據(jù)庫里快速取回幾千篇筆記，所以闡述一下搜索引擎召回通道的一些關(guān)鍵性原則。

搜索引擎的召回通道會基于對查詢詞的理解及用戶的個性化做推薦，即把對于查詢詞的理解與數(shù)據(jù)庫的筆記做匹配，筆記匹配上的關(guān)鍵詞越多越好，匹配上核心詞加分多，匹配上輔助詞加分少。

所以一個關(guān)鍵詞在一篇筆記里出現(xiàn) 3 次比在一篇筆記里出現(xiàn) 1 次好。

所以匹配上核心詞比匹配上輔助詞。

即把用戶特征等與數(shù)據(jù)庫的筆記做匹配，筆記所預估的用戶興趣度越高越好。

③ 排序

跟推薦系統(tǒng)的排序類似，搜索引擎會用機器學習模型及神經(jīng)網(wǎng)絡等，預估內(nèi)容跟對查詢詞理解及用戶興趣等的融合分數(shù)，根據(jù)分數(shù)做截斷與排序，再插入廣告和運營內(nèi)容，以及根據(jù)生態(tài)要求調(diào)整排序呈現(xiàn)給用戶，所以闡述一下搜索引擎打分排序的一些關(guān)鍵性維度。

a. 相關(guān)性

根據(jù)對于查詢詞的理解，預估內(nèi)容跟對于查詢詞的理解的相關(guān)性分數(shù)。

b. 內(nèi)容質(zhì)量

作者 EAT：

• 專業(yè)性：作者是否有專業(yè)資質(zhì)；
• 權(quán)威性：作者在領域里的影響力；
• 可信賴性：名聲好壞、是否有廣告，包括軟廣。

筆記意圖：

• 有益：分享有用的攻略、知識、信息；
• 有害：傳播虛假信息、散播仇恨。

沒有特別的意圖：

內(nèi)容質(zhì)量分；

• 標桿；
• 推薦；
• 普通；
• 不推薦；

內(nèi)容價值分；

點擊數(shù)、交互率等業(yè)務指標是否達到 Top 10%。

c. 時效性

• 基于對查詢詞的理解，判斷是否有時效性訴求；
• 內(nèi)容發(fā)布時間比較久遠，是否還有價值；
• 發(fā)布時間。

d. 個性化

類似于推薦系統(tǒng)的個性化推薦，但是沒有推薦系統(tǒng)的個性化推薦強，預估維度、方式等跟推薦系統(tǒng)類似。

通過這些維度：

• 查詢詞特征；
• 筆記特征；
• 用戶特征；
• 統(tǒng)計特征；
• 相關(guān)性特征。

預估用戶對于筆記的興趣度：

• 點擊率；
• 收藏率；
• 轉(zhuǎn)發(fā)率；
• 完讀/播率。

綜上，筆記互動數(shù)據(jù)高，并不一定代表筆記會出現(xiàn)在搜索前排，出現(xiàn)在搜索前排的筆記是實際上融合等分數(shù)高。

4）其他

① 補充概述

小紅書的推薦與搜索各自獨立，但又藕斷絲連。

• 各自獨立：推薦與搜索互不干擾，所以小紅書筆記的收錄與否并不影響推薦；
• 藕斷絲連：筆記在獲得搜索流量后，一定程度上會影響筆記推薦流量。

小紅書筆記流量激增大概率會觸發(fā)小紅書二次審核，而二次審核大概率會是機器+人工一起審核；

所以有些筆記在流量激增后被突然限流、掉收錄等，或許是因為二次審核，以及系統(tǒng)對于筆記的實時預估變化的緣故。

正確判斷筆記是否被收錄的方式并不是搜索標題等，而是在創(chuàng)作中心/蒲公英平臺查看筆記是否有搜索流量，有搜索流量即代表筆記被收錄。

假設對于推薦、搜索機制比較感興趣，想深入學習的話，可看看這些內(nèi)容。

② 推薦系統(tǒng)公開課

基于小紅書的場景講解工業(yè)界真實的推薦系統(tǒng)

鏈接 ?? https://space.bilibili.com/1369507485/channel/collectiondetail?sid=615109

作者：王樹森

小紅書搜推算法工程師、基礎模型團隊負責人

③ 書籍推薦

• 《智能搜索和推薦系統(tǒng)》；
• 《推薦系統(tǒng)實踐》；
• 《SEO 實戰(zhàn)密碼》；

③ 公眾號推薦

小紅書技術(shù) REDtech

5）寫在最后

真實的系統(tǒng)/算法是黑盒，但是我們需要理解系統(tǒng)/算法的基本原理/底層邏輯。

二、不同邏輯下的爆款內(nèi)容生產(chǎn)

1. 用內(nèi)容投喂算法

用垂直內(nèi)容投喂算法建立定向標簽，通過簡單、直接、可復制、可批量化生產(chǎn)的內(nèi)容去獲取精準流量，雖然流量不會太大，但是比較精準。

內(nèi)容不需要太復雜、太精美，需要的是簡單、直接、可復制、可批量化生產(chǎn)，因為這樣可極大程度降低內(nèi)容創(chuàng)作成本，以及讓算法理解到位，之所以會有許多簡單的爆款內(nèi)容出現(xiàn)，實際上就是簡單的內(nèi)容有利于算法推薦。

2. 用確定性蒙騙算法

對于爆款內(nèi)容的模仿、復刻等，實際上就是利用爆款內(nèi)容的確定性去蒙騙算法，讓算法覺得內(nèi)容質(zhì)量、價值高。

但是在模仿、復刻的時候，就需要針對爆款內(nèi)容進行剖析，哪些是爆款因素，哪些是無關(guān)緊要的因素，假設做不到比較好的剖析，那就 100% 復刻，包括場景、構(gòu)圖、產(chǎn)品等，把變量控制到最小，但是需要有一些無關(guān)緊要的變量來提高原創(chuàng)度。

舉個例子：

爆款內(nèi)容的場景是白天，那就換成晚上；

爆款內(nèi)容拍攝的是左手，那就換成右手……

用同樣的變量替換一些變量，但是內(nèi)容質(zhì)量等不變，算法可理解，用戶依然有觸動。

但是并不是所有爆款內(nèi)容模仿、復刻之后，依然是爆款，因為有些內(nèi)容之所以成為爆款，可能是運氣之類，因此并不是所有爆款內(nèi)容都值得去模仿、復刻，值得去模仿、復刻的爆款內(nèi)容一般是經(jīng)過反復驗證的、已經(jīng)形成一定爆款內(nèi)容模型/范本的。

綜上，怎么發(fā)現(xiàn)值得去模仿、復刻的爆款內(nèi)容呢？

思路 1. 查看品類下的商業(yè)報備筆記

假設有品牌商家已經(jīng)摸索出自己的爆文模型的話，TA 們大概率會通過效果廣告進行放大，所以可使用小紅書數(shù)據(jù)分析工具，去查看自己品類下這段時間新增的商業(yè)報備筆記，找找看有沒有適合自己的測試內(nèi)容。

思路 2. 查看競品的筆記

邏輯跟“思路 1. 商業(yè)報備”是一樣的，所以可不定期使用小紅書數(shù)據(jù)分析工具，去查看競品這段時間新增的筆記內(nèi)容，不一定需要局限于商業(yè)報備筆記，找找看有沒有適合自己的測試內(nèi)容。

思路 3. 小紅書 App 瀏覽與搜索

小紅書 App 的發(fā)現(xiàn)頁是基于用戶交互行為等的個性化推薦，所以可優(yōu)先級多搜索自己品類/產(chǎn)品相關(guān)的內(nèi)容，然后再多瀏覽與刷新幾次發(fā)現(xiàn)頁，在看到有類似的爆款內(nèi)容重復多次出現(xiàn)在自己的發(fā)現(xiàn)頁的時候，就可針對這個內(nèi)容去搜索品牌/產(chǎn)品/標題等進行驗證。

3. 人性洞察

爆款內(nèi)容是可永恒的，小紅書上出現(xiàn)的爆款內(nèi)容，可能在其他渠道之前就已經(jīng)出現(xiàn)過。

爆款內(nèi)容的內(nèi)核是對于人性的洞察，而人性大概率是不會發(fā)生改變的，唯一改變的是對于人性的闡述，以及表現(xiàn)方式。

明星與醫(yī)院，天然有可信度；

藍手套、藥單子，哪怕是假的，用戶依然會覺得是有可信度。

4. 寫在最后

1）內(nèi)容選題 > 封面 > 標題 > 內(nèi)容；

2）爆款內(nèi)容創(chuàng)作需要迎合受眾，而非引領受眾；

因為迎合受眾 = 迎合人性，而引領受眾 = 反人性，難而正確。

三、爆款內(nèi)容價值的極致化利用

所有的爆款內(nèi)容得之不易，所以需要把爆款內(nèi)容的價值進行極致化利用。

1. 基于爆款內(nèi)容進行延伸與再利用

找到爆款因素，基于此出系列內(nèi)容，e.g.

• 爆款因素是產(chǎn)品，內(nèi)容成為爆款之后，同步測評同款不同型號的產(chǎn)品；
• 爆款因素是自己的蛻變，內(nèi)容成為爆款之后，同步更新自己是如何蛻變的；
• 爆款因素是產(chǎn)品，內(nèi)容成為爆款之后，同步更新產(chǎn)品的細節(jié)；
• ……

利用爆款內(nèi)容博眼球，e.g.

• 用爆款內(nèi)容截圖作封面；
• 爆款內(nèi)容的評論區(qū)截圖作封面；
• ……

反復重復爆款內(nèi)容，e.g.

• 忍不住再發(fā)一遍；
• 非商業(yè)報備發(fā)完、商業(yè)報備發(fā)、專業(yè)號轉(zhuǎn)載發(fā)；
• xx 人看過的 xx；
• ……

2. 基于爆款內(nèi)容進行復刻、創(chuàng)新

跟上述闡述的“用確定性蒙騙算法”差不多，即找到爆款因素，基于此進行復刻，甚至是創(chuàng)新，然后通過博主種草與效果廣告投放進行放大，e.g. 爆款因素是 藍手套 + 真實痛點 + 真實場景，基于此進行復刻、創(chuàng)新即可。

當然有些內(nèi)容是沒辦法進行復刻、創(chuàng)新的。

3. 寫在最后

讓有效的爆款內(nèi)容在渠道里流動，被看見、被放大。