# 谁留下来，谁定义你的账号：定位第一步是回答“给谁看”
从推荐算法的召回机制出发，讲清账号定位为何要先回答“给谁看”，并给出反推初始观众的具体方法
> 账号定位 · 目标观众 · 垂直内容 · 约 7 分钟 · 09 月 08 日
## 本篇要点
1. 定位第一步不是“我是谁”，而是“给谁看”：短视频是注意力产品，不知道目标用户是谁，选题、开头、语气就都没有判断标准。
2. 抖音推荐已不靠“打标签—匹配”：新视频靠内容特征被召回给第一批用户试看，谁看完、谁点赞，系统就照“这群人”的样子去放大——所以第一批留下来的人定义你的账号。
3. 想做给“所有人”的视频内容特征模糊、试看人群混杂，正向反馈被稀释、打分平庸；所谓“垂直”，本质是给算法的学习和放大提供清晰的信号。
4. 刻画观众别写年龄性别，要写他刷到你那一刻的场景与困境；检验标准是能否想到一个具体的活人，只能想到“年轻人”就还不够窄。
5. 不用凭空冥想：挑你数据相对最好的一条、读评论区，反推第一批留下来的人是谁，再收束成“我专做（给谁）的（内容），让 TA（得到什么）”一句定位话术，用它指挥每一条新视频。
---
“做号要垂直、要有定位”——这句话你应该听过无数遍，可真到自己身上，却不知从哪下手：我到底该做什么内容？要不要先给自己立个人设？这一篇把“定位”切成最小的一块来谈：先别管“我是谁”，先回答“给谁看”。不知道给谁看，你就不知道他凭什么愿意停下来，于是选题、开头、语气全都失去判断标准，只能“什么火做什么”——而“什么火做什么”，恰好是定位的反面。
## 算法不读你的内容，只读“谁喜欢它”
要理解“给谁看”为什么如此关键，先纠正一个流传很广的旧认知。很多人以为，推荐系统的工作方式是给视频打上“美食”“搞笑”这类标签，再匹配给带同样标签的用户。抖音官方在 2025 年公开算法原理时专门解释过：这套“打标签—匹配”的想象已经过时，抖音的推荐系统已几乎不依赖对内容和用户打标签，而是用神经网络直接预估“某个用户会不会看完、会不会点赞这条视频”，把预估结果最好的内容推出去 [2][3]。
那么一条刚发布、还没有任何观看记录的新视频，系统怎么知道该推给谁？官方对“召回”环节的解释是这样的：系统先把这条视频的内容特征——画面里有什么、讲什么、多长——换算成一组数学向量，再把每个用户“平时爱看什么”的历史行为也换算成向量；两者距离越近，这条视频就越可能被推给这个用户试看 [1]。试看之后，就进入上一篇讲过的打分环节：看完、点赞是正向反馈，刷走也是一种反馈，每一次反馈都带着正面或负面的价值，直接决定这条视频还能不能进入更大的池子 [4]。而系统放大一条视频，靠的是一招叫“协同过滤”的技术：它可以完全不理解你的内容，只需要知道这条视频让哪一群人产生了正向行为，然后去“找到和你兴趣相似的用户，把他们感兴趣的内容也推荐给你” [1]。
把这三段连起来读，就得到了定位真正的机制：决定你账号是什么的，不是你的简介写了什么，而是第一批为它留下正向行为的人是谁。他们的样子，就是算法放大的方向。上一篇我们把链条讲到“完播和互动是因、推荐量是果”；今天补上最前面的一环——谁在完播、谁在点赞，是因的因。
## “给所有人看”输在哪：等于让算法替你猜
把同一个机制放进两种定位里看。想做给“所有人”的视频，内容特征往往是模糊的：没有明确的人群，没有具体的场景，什么都沾一点。它的向量落在人群的“无人区”，召回时系统只能把一批混杂的人推给它试看——对这类内容感兴趣的和完全不感兴趣的挤在一起。结果可想而知：喜欢你的人给出正向反馈，其余的人快速划走，正向被稀释、完播被拉低、整体打分平庸，视频停在小流量池。更糟的是，系统从这批混杂的行为里学不到“该照谁的样子去放大”，于是你的每一条新视频，都重新从零开始猜。
```mermaid
flowchart TD
A[发布一条新视频] --> B{这条视频为谁而做}
B -- 想做给所有人 --> C[内容特征模糊
试看人群混杂]
C --> D[有人看完、更多人划走
正向被稀释、完播被拉低]
D --> E[打分平庸
停在小流量池]
B -- 为具体人群而做 --> F[试看人群高度同类]
F --> G[正向反馈集中
看完、点赞信号清晰]
G --> H[系统照“留下来的人”的样子
去捞更多相似用户]
H --> F
```
想做给具体一群人的视频恰好相反：内容特征指向清晰，被召回的第一批试看用户高度同类，这批人大概率看完、点赞，正向信号集中；系统于是照着“留下来的人”的兴趣去捞更多相似用户，池子越滚越大，人群却始终是同一类人。运营圈挂在嘴边的“垂直”，本质就是这个——不是玄学，不是平台偏心，而是给算法的学习和放大提供清晰的信号。数据起不来的时候，多数情况不是被限流，而是你出的题太难：连算法都不知道该把卷子发给谁。
## 把“谁”写具体：三问加一个例子
那怎么把“谁”说清楚？一个常见错误是写人口学特征：“20 到 35 岁的女性”。年龄段不指向注意力——同一个 28 岁的人，午休刷到你和深夜躺下刷到你，状态完全不同。要刻画的不是她的档案，而是她刷到你那一刻的场景。问自己三个问题：
1. 他此刻在什么场景刷到这条视频？通勤地铁、午休，还是加班回家路上。
2. 他此刻正被什么问题困扰，或者正想要什么？想减肥但懒得动，想做饭但下班太晚。
3. 他凭什么看完并且关注你——这条内容里有什么是别人给不了的？
一个对照能把这三问落地。说“我想做美食账号”，这不是定位，因为明天你既可以拍国宴教程，也可以拍减脂餐，还能去探店——你根本不知道这些选题各自是给谁看的。说“我专门做给独居上班族看的 15 分钟快手菜”，这才是定位：从此每个选题都有了筛子——这条对“晚上八点半才到家的人”有用吗？表达也自动变得具体，连开头都好想了：“下班到家八点半，还想吃上一口热饭吗？”你已经知道该对谁说这句话了。
注意，这个过程必然意味着放弃一批人：定位不是做加法，而是决定暂时不服务谁。放弃“所有人”，才抓得住“一个人”。检验标准很简单：闭上眼睛，能不能想到一个具体的活人——比如你认识的一位常加班的朋友？如果只能想到“年轻人”“大众用户”，说明还不够窄。
## 别凭空想：从你发过的视频里反推第一批观众
定位不需要坐在家里冥想。你已经发过几条视频，这正是资产：每一条都相当于系统替你做过一次小规模试投放，数据就是它交回的答卷，只是你还没去读。做三步：
第一步，找出数据相对最好的一条。注意别只看播放量——播放量是“发出去的卷子数”，完播率和互动才是“得分”，挑综合表现最好的那条。
第二步，把评论区当作一次免费的用户访谈。谁在评论、他们怎么称呼你、在问什么、被哪句话触动？评论里的人，往往就是你真实的初始观众。
第三步，把这群留下来的人概括成一句话：他们是谁、当时关心什么、你这条给了他们什么。这只是初始假设——几条视频样本很小，结论可能有偏，但足够给你一个明确方向，接下来的每一条视频都用新数据去验证或修正它。
最后，把反推结果收束成一句定位话术，句式是：我专门做（给谁、在什么情境）的（什么内容），让 TA（得到什么）。比如：“我专做独居上班族的快手菜，让加班到家的你十分钟吃上热饭。”检验它是否合格只有一个标准：这句话能不能指挥你下一条视频的选题、开头和语气。能，说明定位具体了；有一半内容它管不到，说明还得再收窄。这句话一旦落地，下一篇讲“前三秒怎么留住人”时，你就不必学一个悬空的技巧——钩子知道了自己要钩住谁，才真的算钩子。
## 来源
1. [抖音安全与信任中心官方科普《从零开始了解推荐系统》：协同过滤与双塔召回如何把内容匹配给用户](https://trust.douyin.com/article/15358)
2. [新华网报道抖音开放日：推荐算法已几乎不依赖打标签，用神经网络预估用户行为](http://www.xinhuanet.com/tech/20250416/cb30d07cc64f497b938b82f551204e05/c.html)
3. [界面新闻：抖音总裁韩尚佑解释算法原理，每次用户反馈都会影响内容流量](https://m.jiemian.com/article/12620673.html)
4. [腾讯新闻转述官方推荐算法白皮书：每次反馈都有正面或负面价值、推荐优先级公式](https://news.qq.com/rain/a/20250330A05SSE00)
---
原文：https://pangzhengboyin.com/articles/who-stays-defines-your-account-d8066257
> **庞征博引** · 想学的，慢慢都会
>
> 庞征博引是把想学的东西写成连载的 AI 学习工具。说出想学什么，它会先了解你的基础，再把主题写成一篇篇 5–10 分钟能读完的文章；边读边问，接下来学什么跟着你走。这篇就是这样写出来的。
>
> 开始你自己的连载 → https://pangzhengboyin.com