今日頭條的推薦機制，怎么可以推薦更多人呢?

文章推薦
機器能聰明地將文章精準地推薦給可能感興趣的用戶，是因為它既能「讀懂」文章在講什么，又能「猜出」用戶想看到什么。
一、機器是怎樣理解你的文章的？
在門戶網站和傳統新聞客戶端上，哪些文章能上首頁是由編輯們決定的，編輯們會在閱讀完文章后，會決定是否將其推上版面。因為每個用戶看到的頁面都是相同的，編輯們的工作量雖然大，但還能夠應付。
而在今日頭條客戶端上，每位用戶的信息流都是完全不同的，如果5億用戶的信息流都交由編輯來推薦，則是一件不可能完成的任務。
但是機器可以做到，因為其「閱讀」文章的方式，在速度上要遠遠勝過人類。
系統會對文章進行特征識別，從而判斷文章講的是什么類型和領域的內容。特征識別的維度有很多，在這里我們重點解釋「關鍵詞」。
系統會根據文章中出現的頻率，提取出一些詞語作為關鍵詞，關鍵詞的判定原則有二：
•        詞頻高：如一篇體育類文章內容關于某場足球比賽，那么文章可能會出現的高頻詞就包括球員名字、足球術語或技巧等，如「C 羅」、「射門」、「突破」。
•        同類文章中出現次數少：作者撰文時常用到的虛詞、轉折詞等出現頻率也很高，但它們不會作為關鍵詞被提取出來，因為這些詞在文章中是普遍存在的。
系統判定出一篇文章的關鍵詞后，會將這些關鍵詞與文章分類模型進行比對，命中哪些分類詞庫關鍵詞的比例大，文章即被打上該分類的標簽。如，一篇文章排名靠前的關鍵詞為「C 羅」、「射門」、「西甲」、「馬德里」，那么該篇文章可能會被打上「足球」、「國際足球」、「西班牙」等標簽。機器便是這樣，完成對文章的初步認知。
因為這種關鍵詞識別機制的存在，作者應盡量避免在文中過度使用非常規詞語，如活久見、腿玩年、城會玩等，給自己的文章增加理解障礙。行文用詞規范，機器可能更懂你的文章。
除文章正文關鍵詞識別外，機器還會對標題進行關鍵詞的識別和分類比對。因此，在標題中露出具代表性的實體詞，可幫助機器理解你的文章。例如，同樣一篇足球類文章，標題「大胡子梅西，大胡子阿奎羅，大胡子伊瓜因，阿根廷美洲杯冠軍穩了！」，就比標題「三人蓄須明志，誓要實現多年遠大理想」含義更明確，更利于系統識別，獲得更多的推薦量。
二、你的文章會被推薦給哪些用戶？
每個人的閱讀興趣都是大不相同的，個性化推薦機制要做的事情就是——讓每位用戶看到可能感興趣的內容，這也是用戶每天會「沉迷」在今日頭條上的原因。
因此反過來，作者創作的內容也就只會被推薦給可能對它感興趣的用戶。比如，某一篇關于C羅的足球文章寫得極出色，閱讀量超過了100萬，放在朋友圈是可以刷屏的爆款文章，但對足球毫無興趣的用戶在今日頭條上仍然是看不到這篇文章的。
這種精準推薦，是建立在機器對每位用戶都有充分認知的前提下的。在機器中，每位用戶實際是由大量數據構成的，用戶的閱讀興趣就藏在這些數據中。
不同數據對用戶興趣計算所占權重不同，數據包括：
•        用戶的基本信息
        性別、年齡、所處地理位置（城市或地區）；
        使用機型、授權賬戶（如微博、微信等）、手機上經常使用的其他 App 等；
•        用戶主動訂閱或喜歡的內容
        訂閱帳號；
        訂閱頻道；
        關注的話題；
•        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。
通過對數據的處理，每位用戶將被機器打上各種標簽，如一個用戶閱讀的文章中關鍵詞排名靠前的是：C 羅、皇家馬德里、歐洲杯、小米、魅族、蘋果。那么，這位用戶可能被打上「足球」、「皇馬」、「科技」、「手機」、「米粉」等標簽。不同的用戶會被打上不同的標簽。
當一篇帶有「C 羅」、「足球」標簽的文章在進行推薦時，系統會將其自動匹配給帶有「C 羅」或「足球」標簽的用戶，這便是推薦引擎的個性化推薦。當然，系統推薦的實際情況會遠比這復雜得多，但推薦的基本原理便是，機器通過數據來理解文章和用戶，并對兩者進行匹配。
三、你的文章是如何被被推薦的？
為讓受歡迎的內容被更多用戶看到，不受歡迎的內容不占用過多推薦資源。頭條號文章在推薦時，會分批次推薦給對其感興趣的用戶。
如何理解分批次推薦呢？文章首先會被推薦給一批對其最可能感興趣的用戶（這批用戶的閱讀標簽與文章標簽重合度最高，被系統認定最可能對該文章感興趣。），這批用戶產生的閱讀數據，將對文章下一次的推薦起到決定性作用。數據包括點擊率、收藏數、評論數、轉發數、讀完率，頁面停留時間等，其中，點擊率占的權重最高。
這很好理解，能吸引眾多用戶點擊的文章自然會被認為更可能是好文章。
延伸閱讀：
擴大推薦機制（注意：以下舉例僅用于說明點擊率對文章推薦的影響，不代表實際推薦情況）
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，文章過了時效期后，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。
例如，一篇文章首次推薦給了1000個用戶，如果這批用戶的點擊率較高，系統判定用戶非常喜歡這篇文章，將其擴大推薦給10000個用戶，如果這輪推薦用戶的點擊率仍然維持在較高水平，那么系統會將文章再次擴大推薦給30000個用戶、50000個用戶、100000個用戶 ••••••推薦量和閱讀量便如滾雪球一般節節攀升。直到文章過了24小時時效期，新一輪推薦的推薦量才會逐漸衰減。
因為這種擴大推薦的機制，作者想獲得更多的閱讀量，就必須努力把各維度閱讀數據（點擊率、用戶閱讀時間、收藏數、評論數、轉發數等）維持在高位水平。這就要求文章：
•        標題和封面圖具有足夠的吸引力、表意清晰（提高點擊率）
•        圖文并茂，易讀性強（提高用戶閱讀時間）
•        內容詳實，給讀者干貨般的充實感（提高收藏數和用戶閱讀時間）
•        觀點鮮明，引發讀者討論（增加評論數和轉發數）
其中，至關重要的當然是點擊率，也因此，標題和封面圖的重要性便不言而喻。這也是今天注意力稀缺時代，文章獲得好的傳播的關鍵要素。
有吸引力的標題能帶來更多點擊，但這不意味作者要成為慣用夸張標題的標題黨。恰恰相反，標題黨反而會被平臺通過技術手段（標題黨模型等）識別和打壓，限制推薦量。
除了標題夸張，用戶舉報密集、負面評論過多、無效異常點擊、時效期已過都是限制文章推薦量的因素。
四、為什么會產生推薦效果不好的情況？
常有作者抱怨自己的某篇文章推薦效果不好，或者對自己的文章閱讀量不穩定感到焦慮。文章的閱讀量由系統推薦量直接決定，而推薦量又取決于上一輪推薦的點擊率。因此單篇文章推薦效果不好，原因無外乎三類：點擊率低、推薦量低、閱讀量低。
1.點擊率低
我們知道，低質內容對用戶閱讀體驗會有負面影響。為了提升用戶體驗，機器會減少那些不受歡迎的內容（即點擊率低的內容）的展示量，如果點擊率持續走低，展示量也相應地持續減少。
一般來說，如果初次點擊率不高，就很難再有較高的展示量和閱讀量。點擊率較低可能是如下原因導致：
•        帳號內容垂直度較低，沒有及時推薦給相應的用戶
假使一帳號是體育類帳號，這一次卻發表了娛樂類內容。對于這種不屬于帳號擅長領域的文章，機器需要重新識別分類再進行推薦，這在一定程度上會延長推薦時間，不能保證在規定時效內，推薦給相應的用戶。因此，作者若想保證較高水平的點擊率，堅持創作垂直內容是極有必要的。
•        文章內容自身問題，導致點擊率低
1.        標題平淡，沒有起到吸引讀者閱讀的作用
2.        配圖無吸引力，文章配圖與內容相關度不高，或者前三張圖片質量較差
3.        內容過于低質，引起讀者反感甚至投訴
2.推薦量低
推薦量是決定閱讀量大小的重要因素，推薦量低的主要原因有：
•        點擊率過低
•        潛在的用戶群過小，推薦量不高
如果帳號潛在的用戶群實在過小，機器將很難挖掘到**戶，推薦量自然高不了。而**戶群過小有如下原因：
1.        話題過于冷門、生僻
2.        涉及領域過于專業，晦澀難懂，與主流群眾有一定距離
•        內容供過于求
同一領域或話題相似內容過多，出現了供過于求的現象。如，關于當下熱點話題的談論，受眾雖然足夠多，但是內容供給總量實在龐大，相應地每一篇內容得到的推薦量也就比較少。
•        消重機制會影響推薦量
文章非原創或者沒有在頭條號首先發布，文章可能會被消重，從而影響推薦量，可詳見消重部分。
•        時效短
時效性短的文章，實際推薦時間自然也短，而短時間內可能將無法獲得較多的推薦量。
•        審核中被攔截，內容不被系統推薦，可詳見文章審核部分。
3.閱讀量低
文章閱讀量低，與點擊率和推薦量有關。
•        推薦量低
在推薦量增長到一定數量級之前，即使點擊率較高，文章閱讀量也不會高，因為內容并沒有得到大范圍的驗證。在后續的推薦中，如果推薦量持續攀升，閱讀量可能會穩步增長。
•        點擊率低
如果推薦量已經足夠高，閱讀量仍然較低，很可能是由于文章的點擊率較低。這就需要從帳號和文章出發，堅持發布垂直類內容，努力提高文章的質量。