自媒体平台工作原理-文章推荐-人人都是自媒体

经历文章审核、文章消重两个阶段后，作者创作的文章将会进入推荐系统，并被可能感兴趣的用户看到。我们知道，文章的阅读量很大程度上取决于系统的推荐量，那么一篇文章的推荐量，是由什么因素决定的呢？要弄清楚这一点，我们需要先了解头条号的推荐机制。机器能聪明地将文章精准地推荐给可能感兴趣的用户，是因为它既能「读懂」文章在讲什么，又能「猜出」用户想看到什么。

在门户网站和传统新闻客户端上，哪些文章能上首页是由编辑们决定的，编辑们会在阅读完文章后，会决定是否将其推上版面。因为每个用户看到的页面都是相同的，编辑们的工作量虽然大，但还能够应付。而在今日头条客户端上，每位用户的信息流都是完全不同的，如果5亿用户的信息流都交由编辑来推荐，则是一件不可能完成的任务。

但是机器可以做到，因为其「阅读」文章的方式，在速度上要远远胜过人类。系统会对文章进行特征识别，从而判断文章讲的是什么类型和领域的内容。特征识别的维度有很多，在这里我们重点解释「关键词」。

系统会根据文章中出现的频率，提取出一些词语作为关键词，关键词的判定原则有二：

词频高：如一篇体育类文章内容关于某场足球比赛，那么文章可能会出现的高频词就包括球员名字、足球术语或技巧等，如「C 罗」、「射门」、「突破」。
同类文章中出现次数少：作者撰文时常用到的虚词、转折词等出现频率也很高，但它们不会作为关键词被提取出来，因为这些词在文章中是普遍存在的。

系统判定出一篇文章的关键词后，会将这些关键词与文章分类模型进行比对，命中哪些分类词库关键词的比例大，文章即被打上该分类的标签。

如，一篇文章排名靠前的关键词为「C 罗」、「射门」、「西甲」、「马德里」，那么该篇文章可能会被打上「足球」、「国际足球」、「西班牙」等标签。机器便是这样，完成对文章的初步认知。

因为这种关键词识别机制的存在，作者应尽量避免在文中过度使用非常规词语，如活久见、腿玩年、城会玩等，给自己的文章增加理解障碍。行文用词规范，机器可能更懂你的文章。

除文章正文关键词识别外，机器还会对标题进行关键词的识别和分类比对。因此，在标题中露出具代表性的实体词，可帮助机器理解你的文章。

例如，同样一篇足球类文章，标题「大胡子梅西，大胡子阿奎罗，大胡子伊瓜因，阿根廷美洲杯冠军稳了！」，就比标题「三人蓄须明志，誓要实现多年远大理想」含义更明确，更利于系统识别，获得更多的推荐量。

每个人的阅读兴趣都是大不相同的，个性化推荐机制要做的事情就是——让每位用户看到可能感兴趣的内容，——这也是用户每天会「沉迷」在今日头条上的原因。

因此反过来，作者创作的内容也就只会被推荐给可能对它感兴趣的用户。比如，某一篇关于C罗的足球文章写得极出色，阅读量超过了100万，放在朋友圈是可以刷屏的爆款文章，但对足球毫无兴趣的用户在今日头条上仍然是看不到这篇文章的。

这种精准推荐，是建立在机器对每位用户都有充分认知的前提下的。在机器中，每位用户实际是由大量数据构成的，用户的阅读兴趣就藏在这些数据中。

不同数据对用户兴趣计算所占权重不同，数据包括：

用户的基本信息
- 性别、年龄、所处地理位置（城市或地区）；
- 使用机型、授权账户（如微博、微信等）、手机上经常使用的其他 App 等；
用户主动订阅或喜欢的内容
- 订阅帐号；
- 订阅频道；
- 关注的话题；
机器通过计算得出的用户阅读兴趣
- 用户阅读过的文章分类和关键词；
- 用户聚类：相似类型用户还喜欢阅读的其他文章类型；
- 用户在今日头条客户端主动标记「不感兴趣」的实体词或文章类型。

根据以上数据，系统对用户的阅读兴趣就能有个基本的判断。一般来讲，用户使用产品时间越长，系统积累的阅读数据越多，对其兴趣的判断也就越准确。使用产品的用户越多，系统对用户聚类的判断也越准确。

通过对数据的处理，每位用户将被机器打上各种标签，如一个用户阅读的文章中关键词排名靠前的是：C罗、皇家马德里、欧洲杯、小米、魅族、苹果。那么，这位用户可能被打上「足球、「皇马」、「科技」、「手机」、「米粉」等标签。不同的用户会被打上不同的标签。

当一篇带有「C 罗」、「足球」标签的文章在进行推荐时，系统会将其自动匹配给带有「C 罗」或「足球」标签的用户，这便是推荐引擎的个性化推荐。当然，系统推荐的实际情况会远比这复杂得多，但推荐的基本原理便是，机器通过数据来理解文章和用户，并对两者进行匹配。

为让受欢迎的内容被更多用户看到，不受欢迎的内容不占用过多推荐资源。头条号文章在推荐时，会分批次推荐给对其感兴趣的用户。

如何理解分批次推荐呢？文章首先会被推荐给一批对其最可能感兴趣的用户（这批用户的阅读标签与文章标签重合度最高，被系统认定最可能对该文章感兴趣。），这批用户产生的阅读数据，将对文章下一次的推荐起到决定性作用。数据包括点击率、收藏数、评论数、转发数、读完率，页面停留时间等，其中，点击率占的权重最高。这很好理解，能吸引众多用户点击的文章自然会被认为更可能是好文章。

1.点击率低

我们知道，低质内容对用户阅读体验会有负面影响。为了提升用户体验，机器会减少那些不受欢迎的内容（即点击率低的内容）的推荐量，如果点击率持续走低，推荐量也相应地持续减少。一般来说，如果初次点击率不高，就很难再有较高的推荐量和阅读量。点击率较低可能是如下原因导致：

帐号内容垂直度较低，没有及时推荐给相应的用户。

假使一帐号是体育类帐号，这一次却发表了娱乐类内容。对于这种不属于帐号擅长领域的文章，机器需要重新识别分类再进行推荐，这在一定程度上会延长推荐时间，不能保证在规定时效内，推荐给相应的用户。因此，作者若想保证较高水平的点击率，坚持创作垂直内容是极有必要的。
文章内容自身问题，导致点击率低。
- 标题平淡，没有起到吸引读者阅读的作用；
- 配图无吸引力，文章配图与内容相关度不高，或者前三张图片质量较差；
- 内容过于低质，引起读者反感甚至投诉。

2.推荐量低

推荐量是决定阅读量大小的重要因素，推荐量低的主要原因有：

点击率过低，将会影响推荐量。
潜在的用户群过小，推荐量不高。

如果帐号潜在的用户群实在过小，机器将很难挖掘到潜在用户，推荐量自然高不了。而潜在用户群过小有如下原因：
- 话题过于冷门、生僻；
- 涉及领域过于专业，晦涩难懂，与主流群众有一定距离；
内容供过于求。

同一领域或话题相似内容过多，出现了供过于求的现象。如，关于当下热点话题的谈论，受众虽然足够多，但是内容供给总量实在庞大，相应地每一篇内容得到的推荐量也就比较少;
消重机制会影响推荐量。

文章非原创或者没有在头条号首先发布，文章可能会被消重，从而影响推荐量;
时效短，影响推荐量。

时效性短的文章，实际推荐时间自然也短，而短时间内可能将无法获得较多的推荐量；
审核中被拦截，内容不被系统推荐，可详见文章审核部分。

3.阅读量低

文章阅读量低，与点击率和推荐量有关。

推荐量低。

在推荐量增长到一定数量级之前，即使点击率较高，文章阅读量也不会高，因为内容并没有得到大范围的验证。在后续的推荐中，如果推荐量持续攀升，阅读量可能会稳步增长；
点击率低。

如果推荐量已经足够高，阅读量仍然较低，很可能是由于文章的点击率较低。这就需要从帐号和文章出发，坚持发布垂直类内容，努力提高文章的质量。