今日头条如何才能推荐自己喜欢的内容
系统是根据你平时看的内容，从而进行给你推荐的。
如果想要改变系统给你推荐的内容，可以试试把推荐给你的内容以不感兴趣之类的标签反馈。
今日头条推荐怎么设置
大家有没有发现，我们所使用的软件产品中，有很多都比我们更懂我们自己。我们打开一个新闻APP，他们会自动的展现我们喜欢看的内容，打开音乐软件推荐的都是我们想听的歌曲，我们打开淘宝，显示的都是我们想买的东西，难道他们是我们肚子的蛔虫，能知道我们想什么吗?其实，很多朋友都已经知道我说的是什么东西，随着科技的进步，计算能力的突破，大数据的普及，我们现在很多软件都能做到千人千面，我们今天就来说说能读懂我们的技术应用：推荐策略;
我们后面的文章没有特别说明，都是以我们以推介算法出名的今日头条产品进行讲解，下面我们进入正题，这篇文章主要讲述推介策略的整体概念，让大家对这个神秘的推荐策略有一个全面的认识，后面的一系列文章会对推荐策略中的重点技术说明;
推荐策略简单点来说，就是先识别出你想要什么内容，然后我在我的内容池里面匹配出你喜欢的内容然后展示给你看，就是如此的简单，那么很多同学就会说，就这样?可以下课了吗?慢着，道理虽然是这样，但是里面学问很大的，比如说推荐系统如何识别出你喜欢什么的内容?就算知道你现在喜欢什么，以后还会喜欢吗?喜欢女孩子都会变心，更何况喜欢的内容。还有就算知道你一个人喜欢什么，那么剩下的千千万万人呢?今日头条号称日活2亿多呢，怎么能做到每个人都能匹配?还有就是内容和人怎么匹配在一起呢?等等一大堆需要我们去解决的问题;
推荐系统，其实主要包括三个部分：用户画像、内容画像、内容和用户匹配。
用户画像
想要系统能够知道一个用户喜欢什么，我们就要事先给这个用户画像，画像的意思就是给他定义一些“标签”，这些标签包括基本特征(比如性别、年龄、学历等基本信息)和兴趣爱好(喜欢动漫还是科技等，这些数据在系统一般标记为一个数据集合，比如，科技30%、娱乐20%、体育20%等等)。有这些特征，我们就可以说初步给一位用户画好像了。然后有的同学就会问，这些数据是哪里来的呢?是谁给我们打的标签?这个问题问得很好。我们注册软件的时候，我们通常会看见一个让我们选择兴趣爱好的界面，这个是最基础直白的打标签的途径，还有可以根据你经常使用的时间地点，推断出你的基本特征，还有你后续的使用过程中，你的用户行为(点击，点赞，转发跳出，停留时间等等)，比如一开始给你推荐了10条内容，3条科技3条娱乐1条体育，那么你点击了1条科技2条娱乐，那么初步建立你80%娱乐20科技。具体的用户画像算法比我这说的复杂很多，我这里主要是先大概说一下，后面会有一篇专门说用户画像的。
内容画像
内容画像和用户画像差不多，简单点来说就是分析出内容的特点，给内容打上标签，好在后续的召回和排序(后面内容很用户匹配时候回说到这两个名词)中引用。内容画像和用户画像的方法也很不同，因为内容是我们后台的数据，可以用文本特征的方法来给内容画像。
内容的标签有很强的层级性，比如有很大的一级分类(体育、娱乐)，然后有二级分类(如体育的可以分成足球、篮球)，还有三级四级甚至n级。除了分类外，还有一些关键词、topic、实体词等文本特征。
今日头条推荐系统主要抽取的文本特征包括以下几类。首先是语义标签类特征，显式为文章打上语义标签。这部分标签是由人定义的特征，每个标签有明确的意义，标签体系是预定义的。此外还有隐式语义特征，主要是topic特征和关键词特征，其中topic特征是对于词概率分布的描述，无明确意义;而关键词特征会基于一些统一特征描述，无明确集合。这些标签和关键词，一般会有数百万级别，可以想象，需要多么强大的计算能力来支持;
除了内容标签外，内容还具有其他的一些属性，比如内容原创性、热度、发布用户热度等等，这些我们也会在内容画像一篇文章中在详细讲述;
用户与内容的匹配
有了内容画像和用户画像，我们怎么让内容和用户匹配在一起?你要知道，我们面对的是上亿级别的用户和数亿的内容，还要考虑到用户不断改变的喜好等等因数，其实我们下面一张图就可以说清楚，请看下图：
自我学习
到这里，一个推荐系统基本完了，但是，作为一个优秀的推荐系统，怎么能不继续优化自己呢，这里面就提到了反馈策略，通过反馈策略，我们推荐系统会不断的完善用户画像，和优化系统本身。
