作为自媒体人，您会非常关心一个指标——阅读量，另一个好听的说法，10万+、100万+爆文，成为大家追求的重要标准。

但您知道阅读量的产生规律吗？为什么阅读数有时一下就爆了？有时阅读数到达一定量就不动了？本期将为您揭晓背后的运行机制。

文 | JiawuLab ，原创作品。

当你创作完一篇文章，发布到各平台后，它的生命周期将会经历以下四个过程：

1、平台机器人通过算法，将文章中的各类关键词提取出来并归类；
2、文章归类后，按照人群标签，推荐给首批用户，获取首批用户的行为；
3、根据用户的行为，加大/减少推荐量，推荐给下一批用户；
4、第三步重复，直至推荐量减少到一定量，系统不再推荐。

文章走过这四步后，生命周期结束，于是后台的阅读量就不再有太大变化啦。但这几个过程具体做了哪些事呢？

第一步，关键词提取、归类

平台机器人看文章，与我们人类是有本质区别的。它不会看，主要通过将文章分解、再提取，来确定文章的分类，具体过程如下：

这里将以《这个小程序真厉害，帮我写出了10万+爆文，你值得拥有》这篇文章为例。

1、分词标注、实体提取

分词标注

从图中可以看出，机器会先将整篇文章打散，根据各种词性类别，将文章中相应的文字全部提取出来，并且标注，然后再做下一步实体提取。

实体提取

就像学习作文时提到的人物、地点、时间、事情等要素，机器会提取出文章中的这些信息。

图中人名提取的信息明显是错误的，如果创作此文时，将这两个词更改，肯定会对文章更有利。

2、词频统计、关键词提取

词频统计

机器通过名词、动词、形容词，将文字出现的数量做统计，图中能看到这篇文章中最多的三个词是：小程序、显示、厉害。然后就会将关键词提取出来。

关键词提取

如图所示，文字显示越大，说明这些字在文章中的分量越重，我们看到“结论”、“爆发”、“数据”等，形成了机器的第一印象，这些会与第二步的人群标签有很大关联。

3、情感分析、归类

情感分析

你没看错，机器人也会分析文章的情感度，从图中能看到，这篇文章是正面情绪，符合推荐要求。如果你的文章情感度太负面，机器就不会喜欢，推荐量不高也就正常啦。

通过前面的各项处理后，机器人就会给这篇文章打上一个标签，也就是归类操作。

归类

从图中能看到，该文章被归类为教育类文章，于是给第二步提供了方向，而上面提到的关键词，确定出人群标签。

第二步，人群标签确定、推荐首批用户

文章完成第一步后，提取出了关键词，并归类为教育类文章，系统将会从整个平台人群中找适合用户。

各家平台会不断的给用户打上各种标签，比如某用户喜欢看教育类文章，并且这些文章里面关键词也是“数据”、“小程序”等，机器人就会觉得这名用户应该会喜欢我们这篇文章。

于是就会将这名用户划为首批用户，那首批用户有多少量呢？

某平台推荐机制

这是某平台机器正常推荐机制，我们能看到，首批用户量为1000个，不同平台略有不同，本文以此基准进行分析。

平台机器确定好首批用户，就会将文章推荐给她们，但是你的文章并不会单独推荐给她们。

比如某条平台的推荐页面是这样的：

某条平台

最上面会写到“为您推荐了10篇文章”，也就是说你的文章需要与另外9篇文章竞争该用户，如果用户点开别人的文章，那么你就浪费了这次推荐。

如果用户点开你的文章，后台就会记录下该用户的所有行为，包括点开文章，浏览时间，点赞，评论，收藏，转发，关注，退出文章等等，以此作为第三步的基础。

第三步，要么爆发，要么沉默

平台机器获取到，首批所有用户的行为数据后，就会对这些数据进行打分，用来作为增加、减少推荐量的依据。

每家平台的打分机制都不一样，一般是不会外传的。不过我们可以通过后台给到的指标，来进行估算。

比如后台中，每篇文章下方都会实时的推荐量、阅读量、评论数、转发量、收藏量等，通过不断的分析，就能掌握一些规律。

这里截取了两篇文章的数据，给大家做一下分析：

后台数据对比

如上图，这两篇文章的数据相差比较大，第二篇比第一篇多了近4倍，我们拿常见的推荐量和阅读量来分析，第一篇的阅读推荐比为7.4%，而第二篇的阅读推荐比10.8%。

一般平台机器对较高阅读推荐比的文章，会给予更多的流量推荐，所以数据上来看，第二篇文章得到了更多的推荐。

这里需要说到一个重要概念，平台是对每一轮推荐周期的行为数据评分后，再做为下一轮推荐的基础。

什么意思呢？举一个小例子，你就明白了：

1、增大推荐量的情况

第一轮 推荐量为1000，阅读量为100，阅读推荐比为10%，
第二轮 推荐量为10000，阅读量为1100，阅读推荐比为11%，
第三轮 推荐量为30000，阅读量为3600，阅读推荐比为12%，
。。。逐步增加

2、减少推荐量的情况

第一轮 推荐量为1000，阅读量为100，阅读推荐比为10%，
第二轮 推荐量为10000，阅读量为800，阅读推荐比为8%，
第三轮 推荐量为10000，阅读量为700，阅读推荐比为7%，
。。。逐步减少

上面第2种情况中，原本第三轮也应该是30000推荐量，但是因为第二轮的阅读推荐比降低，所以推荐量只给了10000，后面就会逐步减少推荐。

所以有些朋友的阅读量，一开始增加很快，但是达到一定量后不动了，原因就在这里，说明上一轮的数据很不理想，就像上面第2种情况，可能就没有第四轮的推荐啦。

而出现爆文的情况就像第1种情况一样，数据越来越好，系统会加快推荐周期，给予更大的流量，所以我们能看爆文往往在很短时间就会爆发。

第四步，文章生命周期走向结束

上面的小例子可以看到，一篇文章的生命周期走向结束时，并不是慢慢衰弱的，而是断崖一样，呈现指数级别的下降的。

就算爆文，当达到100万+后，如果上一轮数据分数降低严重，推荐量也会很快减少到零，就出现后台数据基本不动了。

完结

通过上述的分析，您能了解到这些平台背后的运行机制：

1、平台机器人是如何将文章分类的；
2、平台如何选择首批用户；
3、平台为什么会增加/减少推荐量。

希望我的分享，能对您有所收获，也祝愿您多写出10万+的爆文。

如果您喜欢本期的分享，欢迎您在评论区讨论、转发，或者顺手点个赞。谢谢。