從營銷視角揭秘Facebook、Twitter、Ins等5大社交平台的演算法運作原理

來源：SocialMediaToday

作者：Andrew Hutchinson

編譯：張夢

幾乎所有的平台都用機器學習和數據排序來篩選和推薦信息，因而，演算法成為了社會化媒體營銷討論的核心。演算法的運用為社會化媒體營銷添加了複雜的技術元素。因此，了解社交平台演算法的運作原理，才能有的放矢，提升自身品牌或內容的傳播效果。

本文將簡要介紹Facebook、Twitter、Instagram、LinkedIn、Pinterest 5大社交平台的演算法運作原理。

Facebook的演算法運作原理

隨著社交App使用量的增加，垃圾信息層出不窮，為應對這種情況，社交網路平台開始使用演算法推薦信息。而Facebook使用的演算法則是目前最具影響力的，旨在向用戶展示其最可能參與的內容。為了更好地理解Facebook的演算法，我們需要了解Facebook使用的基本參與度方程。

Facebook的News Feed 主任亞當·莫塞里(Adam Mosseri)在去年F8會議的信息分會上作了解釋，並將信息選擇過程與個人在餐廳為朋友點餐作了比較：「比如我在餐館等妻子吃午飯，她打電話讓我幫忙點餐。因此，『該給妻子點什麼』是我要解決的問題，而該問題可以分解成以下幾個步驟：首先，我要看菜單上的內容，看有哪些選擇；其次，我需要考慮自己擁有的所有信息，比如『她喜歡魚嗎』『現在是午餐時間還是晚餐時間』等，以便做出明智的決定。實際上，在考慮這些事情時，我的頭腦中已經做出了相關輕量級的預測，比如『她會喜歡鮭魚嗎』『她會覺得午餐吃巧克力蛋奶酥很奇怪嗎』。然後，我必須做出決定。」

Mosseri認為，在「點餐」這一過程中，大腦在使用一種演算法，而Facebook的系統只是將這些思維過程轉移到了機器上，將相同的核心元素轉換成更多的技術因素——清單、信號、預測和分數。

（「點餐」過程與演算法運作流程的對比）

Facebook根據用戶的個人使用模式以及一系列其他的因素，評估每個帖子的參數，進而為帖子列出排名。

分數決定了信息會出現在用戶信息流的哪個位置。

本質上，Facebook衡量的是個人對用戶參與度高的內容所採取特定行動的可能性，之後Facebook會根據這種可能性向個人推薦信息。

然而，Facebook經常改變演算法焦點，最近更新後的News Feed就更強調來自朋友和家庭的信息以及兩個人之間對話的內容。這就將更多的權重放在與評論和分享相關的互動上。這種權重的變化或許很微妙，但卻會產生很大影響。Facebook在這方面的每一次調整都導致了重大的變化，因它的用戶超過20億，超大的運營規模決定了該平台會驅動大量的推薦流量。

這就是用戶需要考慮的Facebook演算法：核心方程涉及到用戶與人或網頁的關係歷史以及用戶回應的可能性(基於用戶的歷史行為和其他用戶的反應)。Facebook根據提升用戶在平台上參與度的能力，來衡量各因素的重要性。

Twitter的演算法運作原理

用戶最初抗議Twitter運用演算法，但數據表明，演算法已經幫助平台提升了性能。Twitter的演算法不如Facebook先進，但更加關注機器學習以提高用戶參與度。

和Facebook相似，Twitter的主要目的是向用戶展示更多其可能感興趣的內容，但用戶依然可以看到其它推文。

在信息推薦方面，推文的簡潔程度起到了很好的作用。由於信息的實時性，Twitter幾乎可以向用戶展示每一條推文。用戶可以看到Twitter演算法的影響：當用戶每天第一次登錄時，它會突出顯示用戶可能錯過的推文，而這些推文基本上是用戶關注的人推薦的最受歡迎的推文。

但Twitter也一直致力於通過向用戶展示其關注的人喜歡的消息，或者用戶所接觸的人的推文來提高參與度。這樣做的目的是為了突出用戶可能沒有意識到的潛在相關內容，一旦用戶看到了就可能喜歡。

不是每個用戶都喜歡這樣的信息推薦方式，但Twitter的數據表明，用戶的參與度確實有所提升。

從社交媒體營銷的角度來看，關鍵要注意的是，Twitter的工作是向用戶展示更多基於參與和互動的推文。首先，這意味著營銷者要發布更有吸引力的推文；其次，與那些在推特上提到你的人或回復你評論的人互動，也會增加曝光率；最後，轉發和點贊也會有一些影響。

Twitter演算法相對簡單，即使是很細微的變動也可以產生很大影響。因此，用戶與推文和其關注者的各種互動方式，以及這些行為如何提升流量值得認真考慮。

Instagram的演算法運作原理

Instagram也使用了facebook式的演算法。和Facebook一樣，Instagram的信息推薦也是基於用戶參與的可能性。Instagram工程師Thomas Dimson在去年的一次演講中談到了各種因素。

Instagram的演算法根據參與因素（包括但不限於搜索和參與習慣以及用戶的信息行為）對內容進行加權，以便向用戶展示更多相關內容。

Instagram給每個參與因素所加的權重我們並不清楚，但系統考慮這些元素，以及每條信息的用戶總體參與度，加上希望優化的元素，都旨在增加用戶的參與度。

與Facebook和Twitter一樣，這意味著Instagram需要專註於提升用戶參與度，從而觸發受眾的行為，以增加用戶間的互動併產生更直接的聯繫。這意味著要考慮用戶在平台上的行為，例如共同喜歡某一評論，並回答相同的問題。

Instagram還會在其「探索」部分中突出顯示最相關的搜索匹配，進一步強調用戶參與度。

LinkedIn的演算法運作原理

LinkedIn的演算法與Twitter的演算法類似，不如Facebook的演算法先進。

LinkedIn演算法是在考慮用戶歷史行為因素和連接強度(例如，在公共場所、工作場所的歷史等)的基礎上，提升用戶在平台上的參與度，以便向用戶展示最相關的內容。

評論排序工具可以很好地展示LinkedIn演算法的運作原理。LinkedIn最近發布了關於演算法如何基於用戶參與度對每個帖子的評論進行排序的說明。

LinkedIn演算法給每個因素添加的權重，取決於數據統計結果——越能增加用戶在平台上參與度的因素，所得到權重值越高。

但LinkedIn的演算法可能需要調整，因為用戶在信息推送中會看到幾周前的信息。目前，LinkedIn正在優化數據，以期向用戶展示更多相關內容。而營銷人員則需要考慮這些因素與自己的內容有何相關，以及做什麼來提高內容的曝光度和流行度。

Pinterest的演算法運作原理

與其它平台一樣，Pinterest使用演算法為用戶推薦更多相關內容，並刺激用戶繼續搜索信息。Pinterest的演算法系統，已經從最初努力實現內容匹配，過渡到可以更好地突出相關內容。

在Pinterest最初的版本中系統設置了「張貼板」（Board），但這有時並不奏效，人們可能會因完全不同的原因在不同的「張貼板」發布不同的信息。

例如，在下圖中，有一張獅子夫婦擁抱的圖片，被保存在名為「動物」和「野生動物」的「張貼板」上。Pinterest將以它為基礎提供相關內容。儘管下一行的圖像在內容上並不相似，但它們與第一個貼在「張貼板」上的圖像相似。

由於內容匹配存在這類缺陷，Pinterest去年設計了新系統。該系統利用來自Pin網路的深度學習，不僅可以核查相關的「張貼板」內容，還核查其他用戶在查看第一個Pin之後最常用到的內容。

因此，目前Pinterest的系統更符合用戶行為，可以顯示基於活動的相對Pins，而不是從Pin本身收集實際數據。對Pinterest而言，這能有效輔助人們尋找類似的產品和觀點。加入了基於推薦和基於鏡頭可視化匹配工具的圖像識別技術後，Pinterest會變得更加智能。

Pinterest當前的演算法從本質上講是利用協同過濾的方式而不是基於內容本身來引導人們瀏覽相關內容。因而，營銷者若想要確保自己內容的最佳曝光率，就應該熟悉Pinterest的「Guided Search」推薦。

總的來說，各類社交平台都在使用演算法，且它們有相同的目標：基於用戶的歷史行為，提升用戶在平台上的參與度。用戶的使用習慣與演算法推薦的內容匹配度越高，用戶的參與度就越高。但演算法不是一門精確的科學，社交平台對演算法的利用也正處於實驗階段，營銷者人員要提升自身品牌或內容的傳播效果，需要不斷跟上最新的變化。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！