小红书笔记曝光的核心逻辑，通过算法机制向用户推送用户感兴趣的笔记，在此基础上优先推送更受用户欢迎的笔记。笔记分发的流程如下：

笔记发布——平台审核——笔记被平台的AI系统打上标签和分类——分发至发现、同城、关注等入口。

这中间笔记的曝光量受两种因素影响：算法驱动的自然曝光、官方付费曝光（信息流广告）。

这里主要讲自然曝光背后的算法机制。我们前面讲笔记发布后，首先会被系统打上系列标签，并尝试性推给机器算法认为的对该标签感兴趣的用户，也就是初始流量推送。然后系统根据用户对笔记的系列行为反馈进行打分，根据综合评分来决定是否将笔记继续推荐给更多用户，这个评分体系在小红书内部被称为CES。

CES是一种判断笔记质量的评分机制，CES=点赞数（1 分）+ 收藏数（1 分）+ 评论数（4 分）+ 关注数（8 分）。当分数高于特定值，笔记就会被系统推送给更多用户；当分数低于一个特定值，笔记就会停留在基础流量池，也就是用户常见的曝光量破不了100的情况。

这个流量分发的过程类似抖音流量池的机制，是一层一层阶梯式的流量推送。笔记能否被送入更大的流量池，取决于每一个阶梯的笔记互动数据反馈。

当然CES评分机制不是影响笔记曝光的唯一因素。根据我们运营大量账号总结出的经验，有些笔记在互动数据很低的情况下，阅读量还能够持续暴涨。甚至有的笔记在沉寂一段时间后，突然恢复流量增长，这就说明决定笔记曝光量的不止CES评分这一种机制，否则再互动数据不好的情况下，笔记流量还能持续暴涨是说不过去的。

根据我们的了解，这里涉及到另外一种模型算法机制。小红书的内容推荐原则是用户感兴趣的内容，在兴趣内容的基础上优先展示更受用户欢迎的内容。用户兴趣是不断变化的，同时内容也在不断推陈出新，所以这里面就涉及到一套能根据用户大数据持续进化的算法模型，该算法模型包括学习模型、打分机制、双线推荐机制。

1.学习模型

是指小红书算法每天都在分析用户行为，从阅读时长、用户点击、返回、收藏、点赞等9个维度来分析判断用户是否喜欢某篇笔记。

2.预判打分

指笔记发布后，小红书根据学习模型对笔记质量进行打分，根据分数决定笔记初始排名和是否继续给笔记推送流量，后续的笔记互动数据决定了笔记在搜索排名的位置是否靠前。

3.双线推荐机制

是指笔记发布后2-8小时的实时推荐，和笔记发布一两个月后，经过算法挖掘分析历史笔记，然后重新获得流量推送或限制流量推送，这就解释了为什么很多历史笔记在沉寂一段时间后重新获得流量，或一直有流量的历史笔记突然没有流量的现象。因为算法在持续不断学习用户喜欢什么内容、需要什么内容、不需要什么内容，然后重新进行流量分配。