以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

推荐算法| 2017-11-16

我曾经跨过山和大海，也穿过人山人海….扯远了，我相信很多自媒体朋友一定看过许多篇关于头条推荐机制的，但是无一例外无非都是早期推荐越高，后面效应越好等模糊字眼，完全无中心！下面，我将详细分解，以头条程序员角度进行分析一盘。

图0：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

一、发文通过后的2-3小时内，第一次推荐量来源于你的头条指数。

具体可以分割成四级：

图1：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

在推荐完后，根据推荐给网友反馈的情况，会产生一个参数，叫做：临界推荐指数一

阅读进度+跳出率+阅读进度（这个可能很多朋友会忽略，也是很重要的指标之一）

图2：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

三者关系，自然是对临界推荐指数一成正比关系。点击率越高，文章阅读率越高，临界推荐指数1越高。

二、第二次推荐量，主要看临界推荐指数一

介绍了所谓临界推荐指数一，自然是有用的。根据该指标头条将进行二次推荐。二次推荐给头条认为想看该文章的用户怎么判断的？根据文章标签和用户标签进行匹配，文章标签可电脑上打开，如下：

大标签（标题上面）：

图3：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

小标签（文章下面）：

图4：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

具体来说，则是自动根据nlp（自然语言处理）处理，进行自动归纳，和打标签。用户标签我们自然看不到的，当然自己喜欢看哪方面的大概也知道吧？文章标签和用户标签匹配度大于80%，才会进行推荐。临界推荐指数一，越高，那推荐的量就越大。

第三步数据积累

进过前两轮推荐，已经有一定阅读量，缓存端会保存一些数据。按照权重来排序的话则是：

关注数>大赞数>评论数>收藏数>转发数>点小赞数

如果大家想了解为什么是这样的，可以私聊（希望分享完干货，大家也给我来点关注大赞评论收藏。我们的目光应该是互利的，共赢才是王道），这时候头条主要根据这几个指标生成临界推荐指数二，根据临界推荐指数二，会继续第三次推荐。

图5：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

三、第三次的推荐量，主要看临界推荐指数二+发文时间，临界推荐指数二越大，发文时间越短，那么推荐量，就越大。相对应的，发文时间越长推荐量就越小，临界推荐指数二越小，文章推荐量就越小。

关于前三次推荐，一般在12到24小时内完成，在这之后，就是第四第五推了，这时候的推荐量寥寥无几，相信大家都感同身受。

四、第四次则是发文通过后的一个星期，有一些推荐量，具体指标不明，跨度太大，无法量化描述。

第五次、发表后一个月，炸炸尸体，基本可以无视。

总结：

头条指数
临界推荐指数一（章标题点击率，文章阅读率，文章阅读速度）
临界推荐指数二（关注数>喜欢的数>评论数>收藏数>转发数>点小赞数）

关于转发数，头条外阅读量，并不参与到该上指标。具体例子如：我的一篇

图6：以程序员专业的角度告诉你，头条推荐机制具体是怎么样的

可以看到我的应用外阅读远高于应用内阅读（估计是程序员朋友圈疯转了），一般来说，正常文章推荐量和应用内阅读量比例为10:1，算是跨入优质文章门槛。

还有的朋友会说，既然我们都知道推荐机制了，那我们能不能在他推荐机制下，进行10W+爆文？可以明确的说，可以的，通过技术能实现。然后会有人点进去看我的阅读量，说你最多的阅读量才8W+，还想教别人爆文？我想说的是，我做的是头条最难最小众的，java技术文。打个比方，你是做娱乐的，一万人里面可能有9000人对你的文章感兴趣，但是同样一万人，我首先会排除掉九千人（非程序员，称之为强一致性，职业相关），然后再这1000人里才会有100人对我的文章感兴趣（因为大家来头条是来进行娱乐，快餐阅读的，技术文，难！），进而有10人点开阅读。所以我的基数一开始就小。当然，粉丝质量也是最高的。具体怎样技术能实现，可以私信我。