「特殊手段」获得10万+阅读量的操作细节与巨大风险,自媒体平台内容推荐机制深度解析

自媒体平台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等自媒体平台的推荐机制。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。

本文第“一”、“二”部分引用至今日头条、百度百家和企鹅平台,值得一读;第“三”部分为亲测数据。

一、系统对文章进行特征识别,判断文章的类型和领域

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「博格巴」、「射门」、「突破」。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。

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。

提示:

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。

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」在今日头条等自媒体平台上的原因。

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:

(1)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;

(2)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、尤文图斯、欧洲杯、小米、魅族、苹果。那么,这位用户可能被打上「足球、「尤文图斯」、「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、分批次推荐—滚雪球式节节攀升

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。

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。

亲测数据:今日头条约每隔30分钟左右推荐1轮(不同领域,间隔时间会有不同,我测试的是生活领域,有的领域会在24-72小时内匀速推荐),其中1、3-5轮内很重要,如果1、3-5轮内没人看,推送量就会减少,其中最重要的是第1轮推荐的阅读量。

前30分钟,如果推荐阅读比达到10:1,即算正常的阅读率,今日头条会继续正常推送;

前30分钟,如果推荐阅读比达到5:1,即算是爆文,今日头条会加大推送量。

如果1、3-5轮内,推荐量很少,但文章质量很好,可以通过“特殊手段”提高阅读率,进而促使今日头条等自媒体平台加大推荐量。

例如:如推送量达到50万,可以使阅读量提升到:4万站内+1万站外,只要达到10:1的推荐阅读比,自媒体平台就会继续加大推荐量。

提示:如果你的文章是在24-72小时内被匀速推荐,那么你的阅读量也必须是匀速增长,但通过操作实现这个“状态”是比较难的。因此,无论多么高明的“特殊手段”都隐藏着巨大风险,也包含很多的操作细节,这些都无法在此详细描述,有需要的小伙伴可以头条私信单聊。

四、PS:热度期与间隔期

热度期:通常是1-2天,主要是适用于写娱乐等热点信息。比如针对某个热点电视剧,或电视剧里的热点人物,可能他在某一个时间段是热度,你如果在这个时间段写这种东西的话,相对来说它的推荐量就更高。

间隔期:主要是针对视频,视频的推荐时间会比图文更长久,通常会维持数月,甚至有的平台(企鹅)一年以后还在推荐。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,864评论 6 494
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,175评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,401评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,170评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,276评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,364评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,401评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,179评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,604评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,902评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,070评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,751评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,380评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,077评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,312评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,924评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,957评论 2 351

推荐阅读更多精彩内容