想必很多頭條玩家都想了解頭條的推薦算法是怎樣進行推薦的，剛好之前有做過推薦算法的開發測試相關工作，在此與大家分享下，目前常用的個性化推薦算法在頭條產品的應用。

今日頭條核心算法負責人楊震原曾講到：

一開始今日頭條的推薦算法，首先入手的是“非個性化推薦”——解決的熱門文章推薦以及新文章冷啟動的問題（單純熱門文章的推薦會使得新文章沒有曝光機會，需要通過一些機制平衡熱與新的問題）。今日頭條開始逐步引入個性化推薦的策略。他們所採用的，是協同過濾 + 基於內容推薦，直到今天依然構成今日頭條推薦算法的基礎。

通過這段話，我們不難看出頭條的算法先後經歷了熱門(文章)推薦、協同過濾、基於內容推薦的算法發展與補充。

推薦算法原理概述

熱門（文章）推薦：比如提取文章關鍵詞、對文章的分類，並賦予一個初始熱度值，隨著用戶閱讀、收藏、分享、評論、點贊行為，這些行為促使文章熱度提升。文章一般是有較強時效性的內容，因此文章發佈之後，熱度必須隨著文章時效性變低而衰減。同時需要考慮不同類型文章的初始熱度值不同，以及不同用戶行為的熱度加值權重也不同。然後根據不同類別的文章熱度值排序推送給用戶。

協同過濾：可以簡單理解為"人以群分"的算法解釋，通過海量數據中人的行為，計算相似的人或者相似物品的相似度，然後將與你相似的人喜歡的物品或你喜歡物品的相似物品推薦給你。

基於用戶的協同過濾

上圖示意出基於用戶的協同過濾推薦機制的基本原理，假設Charles 喜歡文章A/B，Mark喜歡文章A/B/C，Bill喜歡文章C；從這些用戶的歷史喜好記錄中，我們可以發現Charles 和Mark的偏好是比較相似的，同時Mark還喜歡文章C，那麼我們可以推斷Charles可能也喜歡文章C，因此可以將文章C推薦給Charles。

基於物品的協同過濾

上圖示意出基於物品的協同過濾推薦機制的基本原理，假設Charles喜歡文章A/B，用戶Mark喜歡文章A/C，Bill喜歡文章B，從這些用戶的歷史喜好記錄中，我們可以發現喜歡文章A的人都喜歡文章B，因此文章A與文章B比較類似，那麼我們可以推斷Bill很有可能也喜歡文章A，所以系統會將文章A推薦給Bill。

內容推薦：可以簡單理解為"物以類聚"的算法解釋，通過海量數據中的物品（內容）的屬性特徵，計算物品（內容）之間的相似度，然後基於用戶喜好記錄，推薦給用戶相似的物品。同時，今日頭條通過用戶對內容的“正負反饋”進一步校驗內容推薦是否精準。正反饋通過對用戶瀏覽行為、點贊、分享、收藏、評論等方式收集。負反饋則通過用戶瀏覽行為如，瀏覽一半就退出，或者用戶點擊內容下方"不喜歡"表達對此不感興趣等方式收集。除了這種個性化推薦，頭條還通過運營幹預推薦數量較少的傳統意義上的頭條信息（補充"關心的才是頭條"推薦理念的不足），我們可以看到頭條推薦前幾條基本都是傳統意義的頭條新聞。