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:

  1. 头条指数
  2. 临界推荐指数一(章标题点击率,文章阅读率,文章阅读速度)
  3. 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。

余下全文(1/3)
分享这篇文章:

请关注我们:

发表评论

电子邮件地址不会被公开。 必填项已用*标注