今日頭條的文章推薦機制是什麼?

NO IMAGE

今日頭條的文章推薦機制是什麼?

木木部落格2015-03-28
11:15:54閱讀(3982)評論(3)分享到

  

  眾所周知,今日頭條是個個性化的新聞推薦引擎,在短短兩年多的時間內擁有了2.2億使用者,每天有超過2000萬使用者在今日頭條上閱讀自己感興趣的文章。因此,今日頭條也變成了非常多企業、自媒體人、網路營銷人聚集的地方,大家都想借著今日頭條的海量流量分到一杯羹。

  在今日頭條的流量從哪裡來?毫無疑問是靠釋出的文章,經過今日頭條的展現後獲得使用者點選,今日頭條幫助媒體在上億使用者中精準的找到受眾,並將內容推薦給他們。那麼今日頭條海量文章推薦的機制是什麼呢?為什麼有的文章展現量幾百萬,有的卻只推薦了幾千?對於文章的推薦機制我們又能做些什麼呢?

  一句話:你關心的,才是頭條!

  這句今日頭條的slogan很清楚的告訴了我們,它的文章推薦機制是個性化推薦機制,最大化保證推送的精準度,儘量保證對的文章推薦給對的人,歸根到底這個推薦演算法關鍵是還在於對海量使用者行為的資料分析與挖掘,個性化推薦的平臺有很多,也許各家演算法略有不同,但最終目的都是殊途同歸,為實現最精準的內容推薦。

  今日頭條的文章個性化推薦機制主要是:

  相似文章主題相似性的推薦:通過獲取與使用者閱讀過文章的相似文章來進行推薦。

  基於相同城市的新聞:對於擁有相同地理資訊的使用者,會推薦與之相匹配的城市的熱門文章。

  基於文章關鍵詞的推薦:對於每篇文章,提取關鍵詞,作為描述文章內容的一種特徵。然後與使用者動作歷史的文章關鍵詞進行匹配推薦。

  基於站內熱門文章的普適性推薦:根據站內使用者閱讀習慣,找出熱門文章,對所有沒有閱讀過該文章的使用者進行推薦。

  基於社交好友關係的閱讀習慣推薦:根據使用者的站外好友,獲取站外好友轉發評論或發表過的文章進行推薦。

  基於使用者長期興趣關鍵詞的推薦:通過比較使用者短期和長期的閱讀興趣主題和關鍵詞進行推薦。

  基於相似使用者閱讀習慣的列表推薦:計算一定時期內的使用者動作相似性,進行閱讀內容的交叉性推薦。

  基於站點分佈來源的內容推薦:通過使用者閱讀的文章來源分佈為使用者計算出20個使用者喜歡的新聞來源進行推薦。

  

  當然,這個個性化推薦演算法肯定不只是這麼多,但是總的來說,稽核通過的文章,今日頭條的智慧推薦引擎會根據內容質量/內容特徵/首發情況/互動情況/媒體的歷史表現/媒體訂閱情況,為文章找到感興趣的讀者並推薦給他們。

  所以,在今日頭條可以這麼說,每一篇文章都有可能“上頭條”,出現在推薦資訊流裡,而優質的文章甚至能獲得百萬級別的送達量。但是每篇文章都不一樣,所以導致了展示量有高有低。下面公眾號回覆“百萬銷售”可獲得百萬銷售文案寫作策略、思維、技巧打包精選,對於提升文章質量有很大提升。

  而其中一些硬性的東西(如使用者興趣、使用者閱讀習慣、地理位置等)是我們改變不了的,不過,在木木看來有些東西你是可以做的。

  文章的展示量有高有低,怎麼做才能讓文章被更多人看到?

  1、儘量在今日頭條上首發你的文章,因為這也是今日頭條推薦機制的幾個標準。

  2、閱讀量,閱讀得越多被推薦的也會越多,因為閱讀量一直都是一個很硬性的標準,很大一定程度上反映了文章的受歡迎程度,你可以多站內站外推廣選擇自己的文章。

  3、多號召別人在文章底部互動交流,你自己也可以參與到互動中去,互動情況是今日頭條文章推薦機制中很重要的一個標準,很多時候你會看到這種情況,一個不怎麼樣的文章底部罵聲不斷有很多的互動,結果推薦展現就是多,因為本身有爭議的話題就是有看點的。

  4、標題吸引眼球,有點選慾望,這點不用多說,點選多閱讀就多,閱讀多相應的推薦也會多。

  5、讓更多的人訂閱你的頭條號,這一點從二方面來說,一方面是稽核通過的文章會及時推薦給訂閱者,訂閱者與文章的互動(包括點選、頂、收藏、轉發等動作),會加強上面說的互動屬性,從而導致更多的推薦。另一方面,訂閱的人多也能大大增加文章的閱讀量。

  6、多把文章分享到社交網路,讓網友點選閱讀,並對你的文章進行互動,原理是一樣,今日頭條本身就帶有分享按鈕。

  7、頭條號歷史表現要良好,少一些違規違禁。

  8、釋出文章的時候設定文章頻道,頻道是可選的,你選擇了頻道以後,今日頭條可以幫助我們的機器更準確的將文章分類進行推薦。

  9、注意釋出時間,文章稽核通過後短時間獲得的閱讀量、點選、互動越多,相應的展現也會推薦越多,就跟新浪熱門微博一樣有一個瞬時轉發率,所以發力也要找準時間,一方面根據你的公眾號閱讀資料做統計,另一方面根據移動網際網路使用者的一個普遍閱讀時間段做參考,找好你的釋出時間。

  10、保證文章具有很好的質量,這點肯定是必須的,這一點做好了,前面的這些因素完全會提高。

  這說這麼多,不對的大家提意見,也歡迎大家補充自己的心得。最後,強調一點,今日頭條的個性化推薦演算法其核心理念就是投票,每個使用者一票,喜歡哪一篇文章就把票投給這篇文章,經過統計,最後得到結果很可能是在這個人群下最好的文章,並把這篇文章推薦給同人群使用者。

  所以,實際上個性化推薦並不是機器給使用者推薦,而是使用者之間在互相推薦,看起來似乎很簡單,但實際上這需要基於海量的使用者行為資料探勘與分析。