头条的内容推荐系统可以让用户顺畅的获取想看到的内容，从而形成了其核心竞争力。
通常推荐系统分为用户和内容；分析两者之间的近似度，就可完成内容的算法推荐。计算近似度的基础媒介是标签系统（tag），在建设推荐体系之前，需要先建设标签系统，标签系统可有效的将内容分类，从而获得内容匹配值；
还有就是搭建用户体系，通过用户体系的搭建，可获取用户的操作行为，从而掌握用户的行为变化，这对产品是非常关键的。
搭建内容推荐系统的基础是：确定要推荐给用户的内容；搜集推荐给用户内容后的反馈，然后就是让机器学习解决；
那么一起看看今日头条的主要推荐机制有哪些？
基于地域推荐
相同城市或相近地理位置的用户，算法会推荐和这些城市相匹配的热门文章；比如你在上海，做互联网产品，年龄大概是25–35岁左右，就会推荐给你上海地方这个年龄段和职业最喜欢的新闻热点；而在拉萨做服务业的，就会被推荐拉萨服务业人群热门文章了。
基于文章关键字推荐
算法对每篇文章提取关键词，作为描述文章内容的一种特征，与用户阅读历史文章的关键词进行匹配推荐。这样的好处是通过关键词提取和匹配能对用户兴趣等进行筛选，让用户获得和他们兴趣及人群特征相关的文章。怎么来判定阅读者的人群特征呢？可以从阅读者的年龄、性别、地域、职业、兴趣爱好等方面出发, 也包含了用户的好友关系、阅读相关（tag系统）、回复对象、评论对象、转发内容、收藏内容等；
基于站内普适性的热门文章推荐
根据一级tag，将这些tag下最热门的文章筛选后做阅读推荐排序，再根据用户的阅读喜好，直接筛选用户兴趣相关的头部最热文章做推荐；
基于社交好友关系的阅读习惯推荐
获取用户第三方登录的好友，根据这些好友的转发内容、评论或所发布内容的相似度进行推荐；也可通过站内的关注关系来获取用户的好友兴趣关键词，进行相关内容的匹配和推荐；
基于相似用户的阅读习惯做推荐
当有基础的用户人群特征后，可对用户人群做细分，将相似人群的阅读内容筛选最热的20个内容源做推荐。
当然以上这些都是基于已经有了基础内容和用户基数，如何从0到1搭建冷启动的推荐系统对于很多初创团队来说很重要。
一般的新产品会先给用户一个初始兴趣值，比如让用户手动选择感兴趣的话题，如即刻一开始就是让我们选择自己的性别和兴趣爱好，这种需要基于效用推荐类的算法；但是这种手动输入的方式是不足以产生高质量的推荐的。
头条是把用户的第三方微博账号内容和兴趣绑定在了一起，用户使用微博账号登录后，用户初始兴趣就可以快速的和微博上的兴趣行为做匹配了。完成了用户体系的从0到1，头条在内容这块是将整个互联网的新闻都纳入了自己的信息源，虽然惹来了不少的版权争议，但可以喂给机器海量的内容作为数据源，更好的做推荐匹配。
网友评论