小红书推荐算法的技术原理与演进之路
作为一款以内容发现为核心的社区产品，小红书的推荐系统每天为数亿用户筛选并分发海量图文与视频内容。本文从多路召回、深度排序到探索与利用的平衡，完整拆解小红书推荐算法的技术原理，并梳理其在过去数年的演进脉络。
推荐算法决定了用户打开小红书后看到的第一屏内容，也直接影响内容创作者的流量分配。作为聚合了美妆、穿搭、美食、旅行等数十个生活品类的社区，小红书的内容规模以亿计，仅依靠人工编辑已无法完成精准分发。因此，推荐系统成为连接内容供给侧与消费侧的核心基础设施，其技术迭代也从早期的协同过滤逐步演进到如今的大规模深度模型体系。
在行业层面，内容平台普遍采用"召回—排序—重排"的三段式架构。小红书在此基础上结合自身社区调性，强化了互动信号与内容质量的权重。与传统电商平台以点击率和转化率为唯一目标不同，小红书的推荐需要同时兼顾用户兴趣满足、内容多样性与社区生态健康，这对其算法设计提出了更高要求。
多路召回：从海量内容中快速圈定候选集
召回阶段的目标是在毫秒级时间内，从全量内容库中筛出数百个候选对象。小红书采用多路召回策略，将不同来源的候选集合并行生成后合并。第一路是基于用户历史行为的协同过滤，通过分析相似用户的浏览与点赞记录，推荐与其兴趣相近的内容；第二路是内容向量召回，利用图文与视频的语义嵌入，寻找与用户近期浏览内容相似的新笔记。
第三路是热门与实时召回，将全站高互动内容和新发布内容纳入候选，避免用户信息流陷入单一化。多路召回的关键在于平衡各路的比例：历史行为路保证相关性，向量路拓展内容宽度，热门路提供社区氛围。工程上，这些召回模型需要部署在高性能检索系统中，通常要求在几十毫秒内返回结果，否则会拖慢整体推荐链路。
深度排序：用特征与模型精确预估用户兴趣
排序阶段负责对召回的候选内容进行精细化打分。小红书的排序模型采用深度神经网络，输入特征涵盖用户画像、内容属性、历史交互与上下文信息四类。用户画像包括年龄、性别、长期兴趣标签；内容属性则包含图片质量、视频时长、话题分类与作者信用分；上下文信息涉及时间段、网络环境与用户实时行为序列。
模型输出的是用户对内容的综合偏好分，通常由点击率、互动率、完播率、收藏率等多个目标加权得到。近年来，小红书在多目标学习上引入共享底层网络加独立任务塔的结构，让不同目标之间共享语义特征，同时保留各自的输出分支。这种设计有效缓解了单一目标优化带来的"标题党"问题，使高互动但低质量的内容难以获得长期流量。
重排阶段则对排序结果进行约束调整，例如去重同一作者的连续内容、控制不同品类的曝光比例、插入一定比例的新内容。这一环节保证了信息流的多样性和新鲜感，避免用户陷入"信息茧房"，也让新创作者有机会获得初始流量。
探索与利用：在精准与新鲜之间取得平衡
推荐系统面临的核心矛盾是"探索"与"利用"的权衡。如果完全依赖历史行为，系统会不断强化用户已有的兴趣，导致内容趋同；如果过度引入随机探索，又可能降低用户的即时满意度。小红书通过分层探索机制解决这一问题，将内容按生命周期划分为冷启动、成长、成熟三个阶段，在冷启动阶段给予一定的探索流量池。
具体而言，新发布的笔记会先进入小流量池测试，系统根据其获得的点击、点赞、收藏等反馈决定是否进入更大的流量池。这一"赛马机制"使优质内容能够快速脱颖而出，也避免了低质内容对用户体验的持续损害。数据显示，通过流量池分层的探索策略，新笔记的冷启动效率相比早期随机分发提升了约三成，创作者的首篇笔记获得曝光的概率显著增加。
据行业研究报告显示，小红书月活跃用户已突破 3 亿，其中超过 70% 的用户会主动搜索以寻找灵感，推荐与搜索共同构成了其内容分发的双引擎。
从早期的规则加权到协同过滤，再到当前的深度学习多目标排序，小红书的推荐算法始终围绕"让好内容被看见"这一目标持续演进。未来，随着大语言模型与多模态理解技术的成熟，推荐系统有望进一步理解图文与视频的深层语义，实现更精准的内容匹配。对于用户而言，理解推荐逻辑也有助于更高效地发现感兴趣的内容；对于创作者，掌握流量机制则是提升内容影响力的关键一步。
💬 用户评论（6）
把召回、排序、重排讲得很清楚，尤其是多路召回那段，终于理解为什么信息流会同时出现不同类型的内容了。
作为创作者，流量池分层的机制对我很有启发，明白了新笔记为什么需要先在小流量池里跑数据。
多目标学习和共享底层网络的部分很专业，希望后续能再深入讲讲重排阶段的具体策略。
3亿月活、70%搜索占比这些数据很有说服力，推荐和搜索双引擎的说法总结得准确。
从协同过滤到深度学习的演进脉络梳理得很清晰，是一篇不错的技术科普文章。
信息茧房那段说到了点子上，多样性控制对用户体验确实很重要。