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。
一、机器是怎样理解你的文章的？
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。
二、你的文章会被推荐给哪些用户？
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。
三、你的文章是如何被被推荐的？
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。
延伸阅读：
扩大推荐机制（注意：以下举例仅用于说明点击率对文章推荐的影响，不代表实际推荐情况）
文章的首次推荐，如果点击率低，系统认为文章不适合推荐给更多的用户，会减少二次推荐的推荐量；如果点击率高，系统则认为文章受用户喜欢，将进一步增加推荐量。以此类推，文章新一次的推荐量都以上一次推荐的点击率为依据。此外，文章过了时效期后，推荐量将明显衰减，时效期节点通常为24小时、72小时和一周。
例如，一篇文章首次推荐给了1000个用户，如果这批用户的点击率较高，系统判定用户非常喜欢这篇文章，将其扩大推荐给10000个用户，如果这轮推荐用户的点击率仍然维持在较高水平，那么系统会将文章再次扩大推荐给30000个用户、50000个用户、100000个用户 ••••••推荐量和阅读量便如滚雪球一般节节攀升。直到文章过了24小时时效期，新一轮推荐的推荐量才会逐渐衰减。
因为这种扩大推荐的机制，作者想获得更多的阅读量，就必须努力把各维度阅读数据（点击率、用户阅读时间、收藏数、评论数、转发数等）维持在高位水平。这就要求文章：
• 标题和封面图具有足够的吸引力、表意清晰（提高点击率）
• 图文并茂，易读性强（提高用户阅读时间）
• 内容详实，给读者干货般的充实感（提高收藏数和用户阅读时间）
• 观点鲜明，引发读者讨论（增加评论数和转发数）
其中，至关重要的当然是点击率，也因此，标题和封面图的重要性便不言而喻。这也是今天注意力稀缺时代，文章获得好的传播的关键要素。
有吸引力的标题能带来更多点击，但这不意味作者要成为惯用夸张标题的标题党。恰恰相反，标题党反而会被平台通过技术手段（标题党模型等）识别和打压，限制推荐量。
除了标题夸张，用户举报密集、负面评论过多、无效异常点击、时效期已过都是限制文章推荐量的因素。
四、为什么会产生推荐效果不好的情况？
常有作者抱怨自己的某篇文章推荐效果不好，或者对自己的文章阅读量不稳定感到焦虑。文章的阅读量由系统推荐量直接决定，而推荐量又取决于上一轮推荐的点击率。因此单篇文章推荐效果不好，原因无外乎三类：点击率低、推荐量低、阅读量低。
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）的展示量，如果点击率持续走低，展示量也相应地持续减少。
一般来说，如果初次点击率不高，就很难再有较高的展示量和阅读量。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
1. 标题平淡，没有起到吸引读者阅读的作用
2. 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
3. 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
• 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**户，推荐量自然高不了。而**户群过小有如下原因：
1. 话题过于冷门、生僻
2. 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，可详见消重部分。
• 时效短
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
