今日頭條系統推薦的原理是什麼？

簡單來說可分為兩點，一是內容標籤與用戶標籤的匹配，二是用戶對內容的反饋。

平台首先會對一個新內容（視頻、圖文、圖集）進行查重，通過之後會從中提取出相關的標籤，然後把這個內容推送給對應標籤的的用戶，用戶的標籤是根據平時的瀏覽習慣、搜索習慣決定的。

用戶對內容的反饋

當這個內容觸達到用戶時便開始了系統推薦的第二步，系統根據用戶對內容的點擊率，互動率，閱讀進度，播放時長等數據進行判斷，數據表現好會擴大推薦量，反之。

開通頭條的以來，本來沒有刻意去研究推薦機制，只是想寫寫自己對運營的一些看法和理解。今天看到這個問題，就花了一些時間去研究了一下，畫了下圖。

頭條的推薦原理是給用戶貼標籤，比如你經常看運營，頭條，自媒體，市場，營銷相關的內容，也許就會能看到我的文章。

頭條的推薦機制是什麼呢？簡單說2種：

1-爆文，推薦100-1000-10000-100000，4次推薦的數量，這個是基於你原有粉絲的反應和第一批用戶的反應。比如說你有100粉絲，全部都轉發，搜藏，點贊了，那麼第二批的量就會很大，仍然有很大互動，第三批，第四批就可能成了爆文。

2-一般文，推薦100-150-200-300，4次推薦。第一批給你的粉絲，發現沒人看。系統不會停止推薦，而是繼續推薦，但是量會增加很少，甚至會減少，正常3批試過以後定位你的文章不受歡迎，基本就定位不會推薦多少量給你了。

有一些投機的小夥伴千萬別想外招，跳出率，終端等也會有衡量，系統可以自動刪除，甚至降低指數，所以還是老實想想做有價值的內容才是王道！

今日頭條推薦機制舉例分析：

1、一篇內容推薦到5萬的流量

2、5萬中有1千人打開

3、1千人身上都打了標籤 ，其中200人打了貓的標籤，190人打了狗的標籤，50人打了花的標籤。

4、去找5萬人打了貓的標籤去推薦，效果有沒有到內部的一個「數值」，其中效果包括點擊率、播完率、評論率、分享率、點贊率

4.1到了這個數值就認為這個貼子有了貓的屬性了，進一步的放量給打了貓標籤的用戶看，

4.2沒到這個數值就去找打了狗的標籤的人去推薦，看是否能到這個數值

5、反覆測試屬性

機器通過計算得出的用戶閱讀興趣

用戶閱讀過的文章分類和關鍵詞；用戶聚類－相似類型用戶還喜歡閱讀的其他文章類型；用戶在今日頭條客戶端主動標記「不感興趣」的實體詞或文章類型。

根據以上數據，系統對用戶的閱讀興趣就能有個基本的判斷。一般來講，用戶使用產品時間越長，系統積累的閱讀數據越多，對其興趣的判斷也就越準確。使用產品的用戶越多，系統對用戶聚類的判斷也越準確。

文章的首次推薦，如果點擊率低，系統認為文章不適合推薦給更多的用戶，會減少二次推薦的推薦量；如果點擊率高，系統則認為文章受用戶喜歡，將進一步增加推薦量。以此類推，文章新一次的推薦量都以上一次推薦的點擊率為依據。此外，文章過了時效期後，推薦量將明顯衰減，時效期節點通常為24小時、72小時和一周。

恕本人直言，演算法可以找出點擊量最高的文章，可點擊量最高的卻一定是下里巴人的文章，而真正高質量的陽春白雪類的文章肯定得不到高的點擊量，那麼，演算法如何在下里巴人和陽春白雪之間取得折中或平衡?機器做得到嗎？

首先看你發的文章的垂直度和點擊回復率，垂直度越高，以及回復喜歡的人越多，今日頭條系統的推舉量就越大，隨之點擊率也會跟著增長了！

一句話，你的文章被推薦後，有一個人看，點贊說好，轉發，評論點贊轉發的多，系統就繼續向其實它用戶推薦，看的人少，沒人點贊轉發，系統就認為文章不好，不會再向其實用戶推薦，文章顯示推薦我認為就是這樣。