新手博主如何从0到1？试试这5大步骤

近期帮博主看号的过程中，发现很多博主存在定位不清，有爆文但变现能力弱、赞粉比相差巨大、无法持续产出内容等问题，本篇内容，绝对掏心窝分享，从账号定位、设置、选题、运营、复盘5大部分去解析创建，实现账号从0到1。一、账号定位这是老生常谈话题，定位前先确定品类。在小红书有美妆护肤、时尚穿搭、珠宝配饰、美食饮品、家居家装、母婴早教、健身减脂、萌宠动物、旅行住宿、教育/职场、长大心理、情感、商业财经、艺术设计、科技数码、摄影拍摄主要15大品类，每一个品类下面还有二级细分类目，整个二级细分类目近200多个。图1：小红书爆火的15个赛道做博主，第一步先选择大的品类，如一级类目是时尚穿搭，二级类目，有服装、发型、箱包、鞋靴、配饰、时尚等类型，如选择服装二级品类后，服装行业有穿搭时尚，穿搭搭配，ootd、服装测评，服装挑选攻略等内容形式，此时，可根据拍摄难度、涨粉预期和人设属性等方面，选择自己能长期持续写作的内容。如根据自身拍摄条件、兴趣，选择OOTD为核心方向，那具体如何来创作？需要确定OOTD的形式是什么，是哪一类风格，结合自身优势，选择一种风格后，可通过搜索框，看目前有哪些符合你的对标账号，这个对标主要分为3种。1）大V级别，粉丝在20W以上，这是品类的天花板，通过艺恩数据，查看知识博主的头部达人数量和粉丝量。图2：艺恩-小红书头部达人筛选2）2-10W粉丝，研究其变现方式，小红书共有五大变现方式，分别是接广告，开薯店，开专栏，直播，小清单（一定要思考好自己的变现方式！）再看封面怎么拍，标题怎么样写。3）0-2W粉丝，这是重点参考对象，对标账号通过基础、人设、内容、选题、爆款、粉丝和变现方式等6个方面进行分析。图3：对标账号进行分析账号定位，先选择大品类，再找到二级品类，仍继续细分，如确定文艺休闲风OOTD后，再去研究这个类目，去看有哪些基本场景，室内围绕家居+试衣间，室外围绕街道、试衣间都是不错的场景，细化到场景后，再去想自己应该通过何种创新，让用户知道我们做这个品类。具体如何定位？上面是向外去看品类情况，根据品类情况，找到适合自己的定位方式，但是在实际的定位时，很多博主，并不清楚自己要做哪一方面，能做哪一方面？针对现实这一情况，可以问自己，我喜欢什么？我擅长什么？我能学习的是什么？我最愿意花时间，有哪些对标在做？图4：小红书博主如何定位最终定位集中在3个方面：我喜欢、用户喜欢、对标在做。1我喜欢如职业：你目前从事的职业，它能够长期输出的知识，如你做小红书运营，可撰写小红书运营知识，做理财可撰写理财相关，做心理，可围绕心理做定位。如爱好：你个人喜欢什么，对什么感兴趣，比如你对穿搭、化妆、书法、跳舞、写作、音乐喝酒、等领域感兴趣，但是单纯爱好不代表能胜任内容输出，所以要在自己喜欢干，有能力干和用户需求中找到一个聚焦点，这个点就是最好的定位。如生活：不同人群的生活状态，如学生、家庭煮夫、上班、模特等生活领域，记录不同的生活状态，也能引起用户关注。2用户喜欢你的内容是给谁看？用户画像是什么样？用户都在搜索哪些内容？用户在关注哪些人？再去看自己要用什么样的内容，标题和封面，后期可以通过笔记分析进行调整。3对标在做通过前面提到的对标账号可以大致分析出自己在小红书做的方向及天花板。

第一：恋爱对象的影像

恋爱情感从记事起就开始在心里有了萌芽，然后通过身边的人，例如哥哥姐姐以及一些适龄长辈谈恋爱，让我们或多或少有一些恋爱的影子，当我们到青春期读初高中的时候，我们会从影视方面去了解爱情；

随着时间的加深，加之在初高中的时候我们已经有了恋爱对象的大概影像，他可能要高大帅气，可能要会哄女生开心，她可能要可爱点，或者看上去温柔一点；

每个人从小接触的人不一样，看的影视都不一样，就算看得同一部电视，但是感想却不一样，这就造成了萝卜青菜各有所爱的情况，这个恋爱对象的画像会不断完善，随着我们经历得越多，这个画像就越复杂；

例如：从你记事起，你的姐姐带了一个男朋友，她男朋友很帅，经常逗你姐姐开心，这个时候你就想以后我找个男朋友也要会逗我开心，这就是初级影像；

等你到了高中，看电视发现，电视女主角的男朋友体贴会关心人，长得帅气，这个时候你又会在曾经的初级影像中增加体贴，关心人，长得帅气这些特点，够了中级影像；

等你到了大学或者提前出入社会的时候，你发现别人的男朋友都会带她们去玩，去吃好吃的，或者买礼物，或者买衣服，这个时候你心目中另一半的影像就跟多了；

由此，你见识得越多，你的恋爱对象的模样就越清楚，例如你不喜欢瘦的，你不喜欢络腮胡的，等等，这些条件都是你一点一点积累起来的；

第二：好奇心

当人们对一件事的好奇点达到临界点可以释放的时候，那会毫不犹豫地去释放，所以很多从小看爱情剧长大的小丫头小男孩，到了初中的时候，尽管脑海里另一半的影像不那么清楚，她们也愿意去感受那种感觉，他们都很好奇，这种感觉真有像电视上那样美妙吗？

有的人会选择在高中，或者大学去感受，主要是家里学校管得较严格，同时确实也明白学业为重的道理，所以谈恋爱在大学会或者职高等成为一个普遍的情况；

这也是好奇心爆发的最好时机，想想可能在初中或者高中就收到情书的感觉还是挺美妙的，不过学校和家庭都管得比较严，施展不开，所以进入大学之后大家对心中向往已久的爱情，便开始了用实践出真知的想法行动了；

大学或者职高没人管束，山高皇帝远，学业也没有高中时期繁重，同时正处于青春期，且觉得自己好像真的理解透彻什么爱情了，知道要找什么样的对象了，对电视中或者身边人谈论的爱情，早就想一探究竟了；

第三：影像不明确下的爱情

无论是大学，还是职高，还是高中毕业直接出入社会，我们对爱情都是怀有期待，以及美好想象的，我们想要找个人谈一场甜甜的恋爱；

但是由于我们对恋爱的了解只存在于电视剧以及身边人的一些片面了解，这导致了我们找对象时对方的影像并不那么清晰，所以我们对于初恋对象的要求往往并不完美，也并不一定适合自己；

可能这个时候你脑子里面优秀的对象是：体贴，关心人，会买早晚餐，会说甜甜的情话，会在周末带你去好玩的地方，等等这样一些简单且片面的影像；

基本上能达到这些影像的人都很多，所以你只需要在意他们的外边是否符合你的心意即可，于是人生中的初恋就这样交出去了；

一般情况下，初恋都会失败，失败的原因就是因为心目中恋爱对象的影像不全，导致本来不合适的两个人，因为一些片面的影像在一起了，其中关键的性格以及人品没有画在里面，所以导致了在一起发现这个人好像不合适，和我想的有所差距；

那些初恋在一起并结婚的人，他们彼此在没谈恋爱之前基本上都会有比较清晰的恋爱影像，他们清楚自己是什么样的人，要找什么样的人；所以在合适的时机遇到了合适的人，一击即中，如此合拍；

1了解你的用户或者说关注你的人大概会是什么群体，她/他们喜欢什么（她们能看情感微博大概率是有情感类困惑，至少也是感兴趣，可能会拥有碎片化的时间，关注你的方式可能是朋友/闺蜜推荐）

2你得有故事比如最近的热点，有稳定的立场，最好是客观分析。

3定期更新，关键是坚持，最好自己有点兴趣要不较难坚持。不用着急吸引流量！

情绪时高时低，很狂躁。需要别人给她能量和情绪的人是做不好情感博主的。而我们做情感博主，是一直要给别人能力和情绪的人。情感博主不是会写个漂亮的文章就可以的人，她的能量一定要高，心中装着慈悲和对别人的关心才能做好。否则做不好情感博主。 能量低的人财运都不好，因为会经常陷入情绪中，做出一些不理智的事，浪费钱的事。大V为什么赚钱多呢，自媒体大V，励志的，情感的，美食的，母婴的，某种意义上就是在帮助别人，给别人情绪价值，那么别人回报的他的，还真是物质。

我在 《爬取百万页面 分析用户画像》 中分析了用户的书籍喜好，这里继续尝试通过影评文章的抓取、内容清洗、影评句子提取，建立机器学习情绪预测模型，挖掘分析用户对流行**的喜好。

涉及的NLP（自然语言处理）知识点：

涉及的ML（机器学习）知识点：

**的拍摄成本高、票价也不低，消费者投入的关注度和观看成本高（最终的投入成本是包括注意力投入、金钱投入、时间投入和感情投入）。

简单算下观看一部**的成本（步骤）：先看下预告内容，做下同期上映**的比较，觉得导演、演员阵容都不错，下定决心要看了，跟男／女友／老婆 ／老公／基友／闺密做推荐，推荐成功后去选座买票，观影当天说不定还得先吃个饭，饭后乖乖的在影院呆上90分钟（关键时刻还得憋尿），观影结束后指不定还得来个夜宵、开个房间探讨下人生什么的。。。

读一本书的成本（步骤）：1打开书/电子阅读器/手机；2 读！

这样对比看一部**比读一本书的投入成本高多了！

因此观众给出的反馈自然也比书籍会强烈一些，特别是满怀期待看完却发现是一部烂片，有种上当受骗的感觉。

因此对**光是通过词频作为喜好度是不够的，用户可能反复的在骂呢。

所以需要引入多一个分析的因子：情绪。用户提及某个**时的情绪是怎么样的，是积极愉悦、还是负面愤怒，加上这个才能有效判定用户对**或者某个事物的喜好。

在豆瓣上，用户的评分就是最直接的情绪数值：5力荐，4推荐，3还行，2较差，1很差。

但在这类写作平台上，发布文章时是没有一个选项来填写分数，也没提供选择心情的选项。

“所言即其所思”，这是普遍人性。每个用户写下的文字表达想法，在字里行间都会不经意的使用一些情绪用词来表达，这些便是我可以获取的“原始数据”。

精准推荐！用户谈论得多的东西未必是TA所喜爱的，也许是TA痛恨的（比如说前任）。如果用户在自己大力差评某部**的文章底部看到另一部相似烂片的推荐，推荐文案还写着“亲，我猜你还喜欢看这些”，估计这用户会有种吃了苍蝇刚吐出来发现迎面又飞来几只的感觉。

通过用户在讨论某事物时上下文的情绪分析，来判断对该事物的喜恶，将预测结果加入对事物的打分计算中，最后得出一个可量化、可计算的分数值，便是一个精准推荐系统的需要解决的问题。

理论上只需要一句话：要识别出文章中提及的**，以及作者对该**的评论，是好评还是差评，作为文章作者对该**的喜恶，并根据评论的情绪强烈程度转化为喜恶程度即可。

那实际上，就要解决以下问题：

下面逐一细说。

我采集了上几个比较受欢迎的**专题以及一个大V帐号文章（数据截止至采集数据时）：

但由于对专题页面加了访问限制，每个专题只能访问到最新的200个列表页面，因而每个专题可获取2~3000篇文章，以此作为抽样数据样本。

要分析对**的评价，首先就要获取到文章中提到**名称有哪些，最简单的匹配规则便是提取书名号 《》 内的内容。

而实际获取到的**名称真可谓“脏乱差”，有**名、书籍名、文章名等，有些**名称会用缩写引用（如《变1》、《复联》、《生化危机4/5/6》），或者中英文混合在一起（如《机器人总动员(wall-e)》），甚至还有错漏别字（如《那些年，我们一起追过的女孩》，多了个“过”字），以及包含中英文特殊标点空白符号等，例如：

因此需要进行一轮“数据大清洗”，我使用如下清洗策略：

其中“**专用词典”，是通过采集了 「猫眼 影片总票房排行榜」 2000~2017年间上榜的所有**，约有3000+部，如图：

再根据文章中所收集到的**名称的候选文本，抓取「豆瓣网」的官方**名字（遭遇了豆瓣业内闻名的反爬策略就不多说了），合并去重后约有8400多部。看一眼才发现好多**连听都没听过，有些**名称还挺有趣，以后有时间还可以做下**名称的分析。

为了解决错别字，我通过文本相似性算法，在**专用词典里找出与之最相似名称。

知名的相似算法有不少，如：

经过简单比较，我选择了其中表现最好的 jaro_winkler_distance

运用到文章内容上，可得到相似**名称，感觉效果还可以：

构建一个Pipeline用于提取页面中**名称，对单个页面测试效果如下：

运用到所有页面上：

至此完成了**名称的提取、清洗，得出每篇文章提及的**名称，如图：

判断一篇文章的情绪，最简单的做法是通过提取所有情绪词来统计下词频及其权重可得到一个粗糙的结果，但这样的结果对“影评”类文章不是很准确。

根据观察，一篇**评论文章中，往往会有大段的**情节描述，然后夹杂一两句评论。而有些**本身剧情就是比较负面、阴暗的（如灾难片类的），但影片本身质量很高（如《釜山行》，豆瓣评分82），如果文章内容包含大量的剧情描述，那么得到关键词会偏向于负面情绪，并不能用于表达出作者对**的喜好情绪。

因此我使用了这样的提取策略：

评论句子提取的结果示例如下：

这样的策略对有些内容不是很适用，例如这样的标题：《同样是豆瓣92分，它或许比《摔跤吧！爸爸》更深》，这是典型的“借势营销”型文案，文章内容中推介的是另外一部韩国**《熔炉》，而时下《摔跤吧！爸爸》正热，标题中带上这个会更吸引用户点击。

另外一个思路是对文章进行摘要提取，然后对摘要进行情绪识别。而对于文章的主题提取，可以使用在ML算法中的用于解决 主题模型 问题的算法（如LDA），但不确定是否适合影评这种混合了大量剧情描述的文章内容。

得到相关评论文本后，便可对文本进行分词及情绪识别，这里有两种做法，一是使用带有情绪情感度的专业词典，配合专有算法；另外一种是使用机器学习算法。

一开始我使用了大连理工大学的《大连理工情感词汇本体库》，是目前最权威的中文情绪词典，共含有情感词共计27466个，包含了词语的词性种类、情感类别、情感强度及极性等信息，例如：

中文情感词汇本体的情感分类体系是在国外比较有影响的Ekman的6大类情感分类体系的基础上构建的。在Ekman的基础上，词汇本体加入情感类别“好”对褒义情感进行了更细致的划分。最终词汇本体中的情感共分为7大类21小类，如图：

把情感词典加入分词词典，对候选每个句子进行分词，得出情感词组，并累加每个情感词的强度值作为句子的情感值。

但经过测试后，发现预测效果并不理想，究其原因发现是情感词典中命中的词语太少，在句子中得不到相关词语，也就无法判断情感极性和强度。

使用情感词典的测试结果：

而专业词典的扩展需要专业领域知识，扩展起来很困难，我目前没找到更新的专业词典，国内这块的资料相当匮乏，而国外有个知名的SentiWordNet库，中文NLP研究的难度系数可想而知。

鉴于情感词典的资源限制，决定尝试使用机器学习来对文本做正、负面情绪预测。

1) 构建分词词典：

分词需要构建专用领域的词典，这样得到的分词结果才会更精确。

因为只需要有正负情感类别、不需要有情感强度及极性等信息，我使用了网络上公开的一些情感词典，：

合并、清洗和去重后，最终构建出了 14000+ 个词的积极情绪词典， 18000+ 个词的消极情绪词典。

积极词典：

消极词典：

2) 准备训练语料

从网上搜集到几个带有积极、消极的标注的评论语料数据集，分别包含了书籍、DVD、音乐、购物领域的各有4000条评论，如下图：

可惜没找到中文影评相关的语料，但找到 国外英文的影评语料 ，对，英文资料很丰富。。。

3) 训练模型

由于是文本型特征，分类算法上选择了 朴素贝叶斯 ，把数据分为2份，一半训练，另一半做测试。

使用 jieba 分词工具，对文本进行分词得到候选词组，把得到的词组作为特征输入来训练情绪预测模型。

训练后的模型测试结果如下：

训练后的模型在书籍、音乐、影碟及购物评论的语料上都有不错的效果。

在提取出的影评短句上测试：

又是“无聊”、“又俗又傻”而一个“但”字就反转了情绪，真是难为分类器了：

经过反复对比实验，发现语料的质量决定了模型的精度，而语料的扩展对比扩展专业词典却容易多了。例如几年前都没有“ 因吹斯汀 ”这些网络流行词，更不知道它代表是正面情绪，以后只要不断更新相关领域的语料库来重新训练则可得到更精确的模型。

俗话说“是骡子是马拉出来遛遛”。

得到一个预测情绪的模型后，便可对影评文章进行预测，但预测的结果是否准确？准确率又有多高？这又是个问题。

每当事情陷入停滞，我就会想起日本漫画大师安达充说过“当故事情节发展不下去的时候，加入一个新角色，是最简单的做法”。

这时需要祭出一个“旁证”了。这所谓的“旁证”，也就是目前大家比较认可的**评分网站——豆瓣网。

大家都知道豆瓣网上的**用户通过打星（5力荐，4推荐，3还行，2较差，1很差），转换得出的10分制的评分，我们可简单把1 49分视作负面评价、5 10分视作正面评价，没有分数的视作中性评价。再把豆瓣的评价结果视作大部分人认同的结果，当然这样肯定是有偏差的。

大胆假设，小心求证，先试试看吧。

根据**名词典再次去抓取豆瓣网上的**信息，这次包含了**分数：：

使用获取到的**专题『**院』文章内容测试，结果如下：

1048篇中，豆瓣评分结果与模型预测符合的有974篇，准确率是929%，WOW！真的这么准吗？

看下详细结果，豆瓣评分是正面的有1022条，预测对了973篇，例如：

而豆瓣评分是负面的有28条记录，而模型只预测出1篇是负面的：

真的是模型预测错了吗？

从负面例子中抽样看看模型分解的结果：

评论《麻烦家族》（豆瓣评分48）的：

从自动摘要出来的句子来看，实际上文章作者表现出正面情绪，模型预测为正面，预测正确