今日头条推荐算法（今日头条推荐算法主要考虑了哪三个纬度）
本文目录一览：
今日头条的文章推荐机制怎么用
今日头条的slogan很清楚的告诉了我们，它的文章推荐机制是个性化推荐机制，最大化保证推送的精准度，尽量保证对的文章推荐给对的人，归根到底这个推荐算法关键是还在于对海量用户行为的数据分析与挖掘，个性化推荐的平台有很多，也许各家算法略有不同，但最终目的都是殊途同归，为实现最精准的内容推荐。
今日头条的文章个性化推荐机制主要是：
相似文章主题相似性的推荐：通过获取与用户阅读过文章的相似文章来进行推荐。
基于相同城市的新闻：对于拥有相同地理信息的用户，会推荐与之相匹配的城市的热门文章。
基于文章关键词的推荐：对于每篇文章，提取关键词，作为描述文章内容的一种特征。然后与用户动作历史的文章关键词进行匹配推荐。
基于站内热门文章的普适性推荐：根据站内用户阅读习惯，找出热门文章，对所有没有阅读过该文章的用户进行推荐。
基于社交好友关系的阅读习惯推荐：根据用户的站外好友，获取站外好友转发评论或发表过的文章进行推荐。
基于用户长期兴趣关键词的推荐：通过比较用户短期和长期的阅读兴趣主题和关键词进行推荐。
基于相似用户阅读习惯的列表推荐：计算一定时期内的用户动作相似性，进行阅读内容的交叉性推荐。
基于站点分布来源的内容推荐：通过用户阅读的文章来源分布为用户计算出20个用户喜欢的新闻来源进行推荐。
麻烦请采纳，谢谢。
今日头条的推荐机制是怎么算法的
今日头条是属于机器算法推荐机制的平台，也就是说，即使你没有粉丝来到头条上发表内容，也可以获得比较大的推荐，一个刚来头条不久的新人创作出10万百万阅读都是有可能的。
但要想创作出阅读量高的内容，就需要了解清楚今日头条的推荐机制：
每一个使用今日头条APP的用户，都会被系统打上各种类型的标签，比如你经常看体育看足球，今日头条就会认为你是一个体育爱好者，那么当有头条号作者发布足球相关的内容时，就会优先推荐给你。
所以说要想让你的文章获得比较大的推荐量，首先你需要在文章的标题和内容中，体现出来你的领域和人群，以方便系统判定你的类型，帮你推送给精准的用户。
如果你的标题和内容中都没有体现出来相应的关键词，那系统就不知道要把你的内容将会给推荐给谁，很有可能会造成阅读量，推荐量都不好的结果。
除了上面这个最基础的人群和关键词匹配外，用户的行为动作也是影响头条号推荐的关键因素。
评论，收藏，转发点赞和读完率，这些都决定的，你的内容是否会获得比较高的推荐。
一篇文章发布后会经过一轮这样的推荐：初审、冷启动、正常推荐、复审。
初审是一般机器审核，通过内容判定出你是否有违规行为，初审通过后，将进入冷启动阶段。
冷启动就是系统把你的内容推送给一小批可能对你内容感兴趣的人群，然后根据这个人群的反应，比如说读完率、点赞互动评论的整体情况，对你进行下一轮的正常推荐。
如果这些互动都比较好，读完率很高点赞，评论都很好，收藏量也很多，那么系统就会给你加大推荐，推荐给更多的用户。
当推荐到一定程度后，系统会给用户的反馈情况进行复审，比如说有人举报，或者负面评论过多，如果在复审种，发现你属于标题党或者内容过于负向，将系统将会不再推荐。
这是今日头条的推荐机制和推荐流程，弄懂这个推荐流程后，会对你的头条号运营有很大的帮助。
猜你喜欢是如何猜的——常见推荐算法介绍
自从头条系的产品今日头条和抖音火今日头条推荐算法了之后今日头条推荐算法，个性化推荐就进入了大众的视野，如果我们说搜索时人找信息的话，那么推荐就是信息找人。搜索是通过用户主动输入索引信息告诉机器自己想要的东西，那么推荐的这个索引是什么才能让信息找到人呢？
第一类索引是“今日头条推荐算法你的历史”，即基于你以前在平台上对某物品产生的行为(点赞，转发，评论或者收藏），寻找与你产生过相似行为的用户所喜欢的其他物品或者与你喜欢的物品相似的其他物品来为你推荐。这一基于用户行为相似的算法有今日头条推荐算法：协同过滤算法、基于内容的推荐算法和基于标签的推荐算法。
基于用户的协同过滤算法是寻找与A用户有相似行为的所有B用户所喜欢的而A用户还不知道的物品推荐给A用户 。该算法包括两个步骤：
-根据用户所喜欢的物品计算用户间相似度，找到与目标用户相似的用户集合今日头条推荐算法；
-找到该用户集合所喜欢的而目标用户所不知道的物品。
那么，找出一批物品以后哪个先推荐哪个后推荐？用户间相似程度大的先推荐，用户对物品的感兴趣程度大要先推荐。即假设A用户与B用户的相似程度为0.9，与C用户的相似程度为0.7，用户B喜欢物品a和物品b的程度分别为1和2，用户C喜欢物品a和物品b的程度分别为0.1和0.5，那么先推荐物品b。多个用户多个物品，只要拟定了用户间的相似度和用户对物品的感兴趣程度，即可对物品进行打分并且进行综合排序。
基于物品的协同过滤算法是根据用户行为而不是物品本身的相似度来判断物品的相似度 ，即如果物品A和物品B被很多的用户同时喜欢，那么我们就认为物品A和物品B是相似的。该算法也是包括两个步骤：
-根据用户行为计算物品间的相似度；
-根据物品的相似度和用户的历史行为给用户生成推荐列表。
与UserCF相似的是，同样会遇到推荐的先后顺序问题，那么ItemCF所遵循的原则是：物品间相似程度大的先推荐，用户对物品的感兴趣程度大要先推荐。假设用户对物品a和物品b感兴趣的程度分别为1和0.5，物品a与物品c和物品d的相似度分别为0.5和0.1，物品b与物品c和物品d的相似度分别为0.3和0.4，那么先推荐物品d。用户喜欢多个物品，并且多个物品与其他物品都有相似的情况下，只要拟定了用物品间的相似度和用户对物品的感兴趣程度，即可对物品进行打分并且进行综合排序。
协同过滤算法的核心都是通过用户行为来计算相似度，User-CF是通过用户行为来计算用户间的相似度，Item-CF是通过用户行为来计算物品间的相似度。
推荐算法很重要的一个原理是为用户推荐与用户喜欢的物品相似的用户又不知道的物品。物品的协同过滤算法是通过用户行为来衡量物品间的相似（喜欢物品A的用户中，同时喜欢物品B的用户比例越高，物品A与物品B的相似程度越高），而基于内容的推荐算法衡量则是通过物品本身的内容相似度来衡量物品间的相似。
假如，你看了东野圭吾的《解忧杂货店》，那么下次系统会给你推荐东野圭吾的《白夜行》。假设你看了小李子的《泰坦尼克号》，系统再给你推荐小李子的《荒野猎人》。
该算法与前两种不同的是，将用户和物品之间使用“标签”进行联系，让用户对喜欢的物品做记号（标签），将同样具有这些记号（标签）的其他物品认为很大程度是相似的并推荐给用户。其基本步骤如下：
统计用户最常用的标签
对于每个标签，统计最常被打过这个标签次数最多的物品
将具有这些标签最热门的物品推荐给该用户
目前，国内APP中，豆瓣就是使用基于标签的推荐算法做个性化的推荐。
第二类索引是“你的朋友”，基于你的社交好友来进行推荐，即基于社交网络的推荐。例如，微信看一看中的功能“朋友在看”就是最简单的基于社交网络的推荐，只要用户点击公众号文章的“在看”，就会出现在其好友的“朋友在看”的列表中。
复杂一点的算法会考虑用户之间的熟悉程度和兴趣的相似度来进行推荐。目前，在信息流推荐领域，基于社交网络进行推荐的最流行的算法是Facebook的EdgeRank算法,即为用户推荐其好友最近产生过重要行为（评论点赞转发收藏）的信息。
第三类索引是“你所处的环境”，基于你所处的时间、地点等上下文信息进行推荐。例如，我们看到很APP中的“最近最热门”，就是基于时间上下文的非个性化推荐；以及，美团和饿了么这些基于位置提供服务的APP中，“附近商家”这一功能就是基于用户位置进行推荐。高德地图在为用户推荐驾驶路线时，会考虑不同路线的拥堵程度、红绿灯数量等计算路线用和路程距离再进行综合排序推荐。
很多时候，基于时间上下文的推荐会协同过滤这类个性化推荐算法结合使用。例如，在使用协同过滤推荐策略的时候，会将时间作为其中一个因素考虑进入推荐策略中，最近的信息先推荐。
以上就是常见的推荐算法。作为产品人，我们不需要知道如何实现，但是我们必须知道这些推荐算法的原理，知道在什么场景下如何去做推荐才能提升推荐的效率，这才是产品经理的价值所在。
参考资料：《推荐算法实战》项亮
