#用户兴趣

吴美律AI日记

1个月前

很多X推友可能不知道，早在2023年，X的博客网站就公开过X/Twitter的推荐算法，如果你下定决心要认真运营X账号，一定要了解背后的算法流量机制，更有的放矢地制作优质的内容。一. 整体逻辑：X如何筛选推文？ X每天要从 5 亿条推文中筛出你可能感兴趣的几十条，整个流程分为三步：挑选候选推文：从海量内容里找出约 1500 条可能和你相关的推文（既包括你关注的人，也包括没关注的人）。机器学习排序：用一个有 4800 万个参数的神经网络，对这 1500 条推文打分，预测你会不会点赞、转发或回复。规则过滤与混合展示：过滤掉你不想看的内容（比如已屏蔽用户、成人内容、重复推文），再把广告、推荐关注等内容一起混合显示。二、候选推文的来源可以理解为“算法先去哪里找素材”。分两大类： 1. 网络内推荐（你关注的人）从你关注的人中挑最新、最相关的推文，使用一个叫 Real Graph（真实关系图）的模型来预测“你和作者之间的互动可能性”。你和谁互动多，他的内容就更容易被推给你。 2. 网络外推荐（你没关注的人）这是算法的重点创新部分，靠两种方式：（1）社交传播图法（GraphJet）：看你关注的人最近和哪些推文互动，再看那些推文是谁发的。简单说，“朋友的朋友喜欢的东西” 也可能推荐给你。（2）兴趣相似度法（嵌入空间 Embedding）：用算法把所有人和所有推文映射成数字向量（“兴趣坐标”），看你与某个话题或用户的相似度。其中最重要的是 SimClusters，它把全站分成约 14.5 万个兴趣社区，比如“科技圈”“韩流圈”“新闻圈”等，每三周更新一次。推文和用户都被标记在哪些社区中，一条推文在某个圈子越火，就越可能被推给同类用户。三、推文的排序逻辑当系统得到约 1500 条候选推文后，会用一个大型神经网络模型来打分。这个模型的目标是：预测你与每条推文的互动概率（点赞、转发、回复等），并据此排序。它考虑了上千个特征，比如你最近浏览的内容、与作者的关系、推文发布时间、主题类型等。四、展示前的“微调与平衡” 为了让时间线更自然、不过度偏向某些内容，算法会做一些“人性化调整”：去重与屏蔽：屏蔽被拉黑/静音账号的内容，或你已经看过的推文。内容均衡：保持网络内与网络外内容大致各占一半。作者多样性：防止同一个人连续刷屏。负反馈降权：你曾经点“不感兴趣”的内容会被系统记住。社交背书机制（Social Proof）：如果你关注的人没和某条推文有任何二度关系（比如点赞或关注作者），这条推文可能不会被推荐。对话串联：在回复下方显示原帖，帮助理解上下文。实时更新：如果推文被编辑，会替换为新版本。五、最后一步：混合上架当所有推文都排序、过滤完后，系统还要把广告、关注推荐、提示等非推文内容混合在一起，然后发回你的设备。整个流程在后台每天运行约 50 亿次，平均每次只需 1.5 秒。一句话总结：从原始社交行为数据 → 提取兴趣与信任特征 → 生成候选推文 → 神经网络打分排序 → 规则过滤 → 内容混合展示。

#X/Twitter算法 #推荐算法 #社交网络 #内容筛选 #用户兴趣

1个月前

看懂推荐算法：从数据到内容，它如何影响你看到的世界推荐算法就像一位智能管家，每天根据你的喜好筛选信息。想知道它是如何工作的吗？我们用简单的步骤拆解这个过程，或许能帮你更好地理解信息如何触达你。第一步：收集“原材料”——数据从哪里来？算法的起点是数据，就像厨师需要食材一样。推荐系统主要依靠三类“原料”：社交关系网：你关注了谁、谁关注了你，朋友之间的互动，这些关系就像一张无形的网，告诉你“你是谁的圈子”。互动记录：你点赞、转发、评论、收藏的内容，这些行为是最直接的“喜好证据”。个人信息：你的头像、简介、浏览历史，甚至你忽略了什么内容——这些细节都在悄悄告诉系统“你可能喜欢什么”。第二步：给数据“贴标签”——特征工程如何理解你？原始数据就像一堆杂乱的积木，需要“装修”成有用的信息。这一步被称为“特征工程”，系统会用各种工具给内容和用户打上标签：社交关系图谱：实时追踪谁和谁互动，比如A关注了B，B又转发了C的内容，这些关系会被标记出来。兴趣分组：通过模型把你和内容分到不同的“圈子”，比如“科技爱好者”“美食圈”，就像学校里的兴趣小组。信任与安全：过滤垃圾信息、广告和你不喜欢的内容，就像门卫筛选访客。第三步：筛选候选内容——从“海量库存”中挑重点内容池里可能有成千上万条信息，系统需要先“捞”出可能适合你的候选内容，主要有两类：你关注的人：从你已关注的圈子里选，比如你关注的博主发了新动态。你可能感兴趣的人：系统会根据你的喜好，推荐一些你还没关注但可能合得来的内容，比如你常看科技，它可能推荐相关领域的新人。这一步就像整理书架，避免你只看到同一类书，让内容更多元。第四步：打分排序——神经网络如何决定“谁排前面”？候选内容会被送进一个“打分机器”（神经网络），它会根据你可能的反应来评分，比如：你会点赞这条内容吗？会转发给朋友吗？会花时间看完吗？分数越高，内容就越容易排在你前面，就像考试分数高的学生更容易被老师注意到。第五步：人工“微调”——让体验更人性化 AI打分后，人工规则会介入，让推荐更符合人的需求：避免你连续刷到同一个人的内容，防止“审美疲劳”。平衡内容类型，比如不会全是视频，也不会全是文字。再次检查安全，过滤掉不合适的内容。这些调整就像帮你整理房间，让环境更舒适。第六步：最终呈现——你的“推荐页”是怎么来的？最后，所有筛选好的内容会和广告、“关注谁”的建议一起，混合成你的“为你推荐”页面。你看到的每一条内容，都是算法和人工共同作用的结果。普通人如何利用算法逻辑？了解算法后，普通人也能找到自己的“增长密码”： 1. 专注一个领域：比如只分享摄影技巧，算法会更快识别你的定位。 2. 做有价值的内容：能引发点赞、评论的内容，更容易被推荐。 3. 积极互动：在领域内回复他人，能让更多人注意到你，提升可信度。算法不是“敌人”，而是一位需要“沟通”的伙伴。理解它的逻辑，你就能更高效地表达自己，让有价值的内容被更多人看到。

#推荐算法 #数据分析 #内容推荐 #用户兴趣 #算法逻辑

1个月前

AI 抖音不会影响真人抖音，都是刚开始新鲜，很快就没兴趣了，而且内容创作者在这个平台很难变现，就无法形成良性循环

#AI抖音 #真人抖音 #内容变现难 #用户兴趣 #平台良性循环

2个月前

都是写 AI 产品的文章，在小红书上大概有 40-50%% 的女性读者，在公众号只有 10%。最初我发现只要写科技类笔记，公共号女性读者就很少的时候，我感觉女生好像天性不喜欢这些东西。遇到科技和技术趋势，都是男的嗷嗷冲上去。后来发现了小红书的数据，又觉得不是这样子。小红书的数据主要靠首页推荐，女生愿意点进来，说明还是很关注趋势发展的。不知道理解对不对。

#AI产品 #小红书 #女性用户 #科技趋势 #用户兴趣

独立开发者｜欧维Ove

3个月前

当你发纯营销的内容时候，你的内容其实不是内容，只是营销物料。真正的内容是对用户有用的部分，也是用户感兴趣的部分，去掉所有营销内容后，用户依然会有兴趣阅读的部分。

#内容营销 #用户兴趣 #营销物料 #用户价值 #内容价值