讚、回覆、轉發，哪個跟瀏覽數最有關？10 萬篇 Threads 貼文實測（附 Python）

在讚、回覆、轉發這三個大家都看得到的數字裡，跟瀏覽次數關聯最強的是讚。我們用 2026 年 1 月 10 萬篇中文貼文算了兩次：相關係數裡，讚和瀏覽是 0.87，回覆 0.72，轉發 0.68；讓模型用這三個數字去猜瀏覽次數，它最依賴的也是讚。

但這不代表 Threads 的演算法就是「讚佔六成五」。這篇把兩種算法、程式碼和結果都攤開，最後再講這些數字能說明什麼、不能說明什麼。

先講結論

1. 讚和瀏覽次數的關聯最強（0.87），回覆其次（0.72），轉發最弱（0.68）。
2. 用隨機森林預測瀏覽次數，模型的判斷有 66% 靠讚，23% 靠回覆，12% 靠轉發。
3. 這三個公開數字合起來，只能解釋瀏覽次數變化的一半左右。另一半來自看不到的因素，例如停留時間、帳號本身和內容。
4. 這些都是關聯，不是演算法的權重。看到的人越多，讚自然越多，因果可能是反過來的。
5. 實際能用的是「讚數 ÷ 瀏覽次數」這個比例：它比單看讚數更能看出內容有沒有打中人。

資料

Throk 整理了 2026 年 1 月 10 萬篇中文公開貼文，用的是發文一天後的讚、回覆、轉發和瀏覽次數。

社群數據非常不平均，少數爆文的數字是一般貼文的幾千倍，所以下面兩步都避開了會被極端值拉走的算法。

第一步：相關係數熱圖

相關係數衡量兩個數字是不是一起變大、一起變小。越接近 1，連動越強。

這裡用的是 Spearman 等級相關，而不是預設的 Pearson。Spearman 只看排名，不看實際數值，所以一篇破萬讚的爆文不會把整體結果拉歪。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 一列一篇貼文，欄位：讚、回覆、轉發、瀏覽
df = pd.read_csv("threads_posts.csv")
cols = ["讚", "回覆", "轉發", "瀏覽"]

# Spearman 只看排名，不會被少數爆文拉走
corr = df[cols].corr(method="spearman")

plt.figure(figsize=(8, 6))
sns.heatmap(corr, annot=True, cmap="Blues", vmin=0.4, vmax=1, linewidths=0.5)
plt.title("讚、回覆、轉發和瀏覽次數的相關係數")
plt.savefig("correlation_heatmap.png", dpi=200, bbox_inches="tight")

看最右邊那一欄：

• 讚 × 瀏覽 = 0.87：最高。按讚是成本最低的互動，看到的人越多，讚幾乎同步變多。
• 回覆 × 瀏覽 = 0.72：有關，但沒那麼緊。很多瀏覽很高的貼文，留言並不多。
• 轉發 × 瀏覽 = 0.68：三個裡最低。

另外兩格也值得看。讚 × 轉發 = 0.82，讓人想按讚的內容，通常也讓人想轉出去。回覆 × 轉發 = 0.46 是全表最低，引發討論的貼文和讓人想分享的貼文，常常不是同一種。

第二步：隨機森林

相關係數一次只看兩個數字。想知道三個數字一起看時，哪個對預測瀏覽次數最有用，可以讓模型來回答。

隨機森林是由很多棵決策樹組成的模型。我們把八成的貼文拿去訓練，讓它用讚、回覆、轉發去猜瀏覽次數，再用剩下兩成檢查它猜得準不準。

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

X = df[["讚", "回覆", "轉發"]]
y = df["瀏覽"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

rf = RandomForestRegressor(n_estimators=100, n_jobs=-1, random_state=42)
rf.fit(X_train, y_train)

importance = pd.Series(rf.feature_importances_, index=X.columns).sort_values(ascending=False)
print(importance)
print("R²:", r2_score(y_test, rf.predict(X_test)))

模型的「特徵重要性」：

模型猜瀏覽次數時，六成五的判斷靠讚。這和熱圖的排序一致。

測試資料上的 R² 是 0.535，意思是光靠這三個公開數字，大約只能解釋瀏覽次數變化的一半。剩下的一半，來自公開數字看不到的東西：讀者停留多久、有沒有點開看全文、帳號本身的追蹤者、發文時間，還有內容本身。

這些數字不能說明什麼

這段最重要，因為網路上很常把這類結果講成「讚的權重是轉發的 6 倍」。

這不是演算法的權重。 模型學的是「哪個數字最能幫它猜中瀏覽次數」，不是 Threads 怎麼決定要把貼文推給誰。Meta 公開說過，系統會預測讀者會不會按讚、留言、停留、點進作者檔案，但各項的權重沒有公開。官方說法整理在脆沒流量？先查這 7 件事。

因果可能是反過來的。 一篇貼文被推給越多人看，讚就越多。所以「讚多 → 瀏覽多」和「瀏覽多 → 讚多」，光看這些數字分不出來。

彼此相關的數字會互相分功勞。 讚和轉發的相關係數高達 0.82，模型只要抓住讚，就不太需要轉發了。轉發的重要性偏低，有一部分是被讚「搶走」的，不代表轉發沒用。在台灣的脆上，瀏覽最高的那批貼文，轉發加分享相對讚數的比例，反而比一般貼文高。

對經營有什麼用

• 看讚率，不只看讚數。 讚數會跟著瀏覽次數一起漲，單看讚數分不出是內容好，還是剛好被推出去。「讚數 ÷ 瀏覽次數」比較公平。一般貼文的讚大約是瀏覽次數的 1.5%，各級距的基準在脆的讚數、瀏覽次數多少算正常。
• 不要刻意衝留言或轉發。 蓋樓、互留做出來的數字，和真正會擴散的貼文長得不一樣。
• 開頭決定你拿到哪一種互動。 有些開頭特別容易拿讚，有些特別容易拿留言，實測數字在開頭句型的真實爆文機率。

用自己的數據跑一次

把自己貼文的數字整理成一個 CSV，一列一篇，欄位是「讚、回覆、轉發、瀏覽」，瀏覽次數可以從 Threads 的洞察報告抄。直接套用上面兩段程式碼，就能看到你的帳號是不是也一樣。

貼文太少的話，結果會很不穩，至少累積幾十篇再看。

常見問題

讚、回覆、轉發，哪個最重要？

如果是問「哪個跟瀏覽次數一起變動得最明顯」，答案是讚。但這是關聯，不是演算法給的分數。內容讓人想停下來、想按讚、想分享，三種互動通常會一起來。

為什麼用 Spearman，不用 Pearson？

社群數據有極少數爆文，數字是一般貼文的幾千倍。Pearson 會被這些極端值拉走，Spearman 只看排名，比較能反映一般貼文的情況。

隨機森林的特徵重要性，等於演算法的權重嗎？

不等於。特徵重要性說的是「模型猜瀏覽次數時最依賴哪個數字」。Threads 怎麼決定推薦誰，模型並不知道。

為什麼三個數字只能解釋一半的瀏覽次數？

因為影響瀏覽次數的很多因素，不會出現在公開數字裡，例如停留時間、帳號的追蹤者、發文時間和內容本身。