相信各位自媒体小编都在发愁一件事，辛辛苦苦写出的文章，怎么推荐个几万次就没然后了，阅读量几千，收入几大元，这就严重的打击了各位的积极性，确实有的好文章未必阅读的人多。我曾经编辑过几篇干货，没有收到头条推荐，只有寥寥无几的几十个阅读量，连粉丝也不给面子，简直是欲哭无泪~
经此失败，我痛定思痛，特意查询了技术文章，看看今题头条到底是根据什么去推荐你的文章的，这样我们编辑文章就有了方向和重点。没想到，还真有专家写文章分析头条的决策机理，我虽不是算法专家，但是头条的逻辑还能看懂一二，就在此分析一下，请各位多提意见。
下面这部分是讲头条如何给文章和用户打标签。大致的意思就是，他给文章和用户各自打上标签，每当有新的文章发布，就先给文章打上标签，然后推送到对应标签的用户那里去，那自然就会增加阅读量，实现精准推送。
下面先看看他是怎么说的。
内容分析包括文本分析，图片分析和视频分析。
文本分析在推荐系统中一个很重要的作用是用户兴趣建模。没有内容及文本标签，无法得到用户兴趣标签。
举个例子，只有知道文章标签是互联网，用户看了互联网标签的文章，才能知道用户有互联网标签，其他关键词也一样。
另一方面，文本内容的标签可以直接帮助推荐特征，比如魅族的内容可以推荐给关注魅族的用户，这是用户标签的匹配。
如果某段时间推荐主频道效果不理想，出现推荐窄化，用户会发现到具体的频道推荐（如科技、体育、娱乐、军事等）中阅读后，再回主 Feed，推荐效果会更好。
因为整个模型是打通的，子频道探索空间较小，更容易满足用户需求。只通过单一信道反馈提高推荐准确率难度会比较大，子频道做的好很重要。而这也需要好的内容分析。
内容分析和用户标签是推荐系统的两大基石。内容分析涉及到机器学习的内容多一些，相比而言，用户标签工程挑战更大。
今日头条常用的用户标签包括用户感兴趣的类别和主题、关键词、来源、基于兴趣的用户聚类以及各种垂直兴趣特征（车型，体育球队，股票等）。还有性别、年龄、地点等信息。
性别信息通过用户第三方社交账号登录得到。年龄信息通常由模型预测，通过机型、阅读时间分布等预估。
常驻地点来自用户授权访问位置信息，在位置信息的基础上通过传统聚类的方法拿到常驻点。
常驻点结合其他信息，可以推测用户的工作地点、出差地点、旅游地点。这些用户标签非常有助于推荐。
上面我只摘抄了标签这一部分，实际上头条还有内容甄别机制，就是先排除那些不健康的文章，比如涉黄，zhengzhi不正确的文章，负能量的等等。再推荐。
根据他算法的特点，我们大略可以总结问题以下几个方面去改进文章：
1 主题要鲜明，因为主题越鲜明，头条的算法越容易打标签，就会推荐到相关联的用户。比如说在上面的用户标签中，有几类，性别，地域，兴趣等，你的文章要有针对性，比如说你写关于女性美容的文章，那么算话会根据这一特点推送到女性用户。如果你写关于北京的文章，肯定会首先推送北京本地用户。
2 文章内容要健康实用，因为头条有甄别机制，打击负能量的文章和标题党。
3 文章内容不要分散，要集中于一个主题，而且最好是自己账号的主题，久而久之，就会形成自己的风格，不但粉丝量容易上涨，算法推荐起来更加迅速，准确。
4 不管是新闻还是文章，一定有新意，最好是原创。
5 最主要的一点，自媒体主题要聚焦于人群最大的那一类，才有可能创造天量的爆文。比如娱乐，教育，美容，球迷算是人口比较多的，而且特征比较明显。假如你非得写高深的科研主题，看懂的人没几个，那么肯定阅读量不会上去的。
联系客服
