目前为止，百度指数、微(博)指数、微信指数和头条指数，组合成了四大天王。M社车轮从今日头条SEO优化手法的三个维度分析。
头条现在已经是一个综合内容平台，图文、视频、UGC小视频、问答、微头条，每种内容有很多自己的特征，需要考虑怎样提取不同内容类型的特征做好推荐。
这是移动互联网时代推荐的特点，用户随时随地移动，在工作场合、通勤、旅游等不同的场景，信息偏好有所偏移。
主要关联手机网站开发，相关内容，人群画像，下图表现的是我最近发布的动态，文章名称，热度值，转发量以及评论。
头条指数“根据今日头条热度指数模型，将用户的阅读、分享、评论等举动的数量加权求和得出响应的事件、文章或关键词的热度值”，考虑了用户的多种举动，它具有辅助创作、舆情分析和精准营销三个重要作用，目前的头条指数的更新是按照小时更新的，相对微信而言更及时，同时还能够提供数据下载。
除了热度，头条指数还提供用户画像的分析功能。对相关关键词匹配的人群，包括性别、年龄、地域、爱好都有直观的呈现。选择特定的时间段，还能回溯某段时间中响应的数据体现。
内容分析包括文本分析，图片分析和视频分析。头条一开始主要做资讯，今天我们主要讲一下文本分析。文本分析在推荐系统中一个很重要的作用是用户兴趣建模。没有内容及文本标签，无法得到用户兴趣标签。举个例子，只有知道文章标签是互联网，用户看了互联网标签的文章，才能知道用户有互联网标签，其他关键词也一样。
另一方面，文本内容的标签可以直接帮助推荐特征，比如魅族的内容可以推荐给关注魅族的用户，这是用户标签的匹配。如果某段时间推荐主频道效果不理想，出现推荐窄化，用户会发现到具体的频道推荐(如科技、体育、娱乐、军事等)中阅读后，再回主feed,推荐效果会更好。因为整个模型是打通的，子频道探索空间较小，更容易满足用户需求。只通过单一信道反馈提高推荐准确率难度会比较大，子频道做的好很重要。而这也需要好的内容分析。
内容分析和用户标签是推荐系统的两大基石。内容分析涉及到机器学习的内容多一些，相比而言，用户标签工程挑战更大。
今日头条常用的用户标签包括用户感兴趣的类别和主题、关键词、来源、基于兴趣的用户聚类以及各种垂直兴趣特征(车型，体育球队，股票等)。还有性别、年龄、地点等信息。性别信息通过用户第三方社交账号登录得到。
还有用户的年龄信息通常由模型预测，通过不同机型、阅读的时间分布等预估。常驻地点来自用户授权访问位置信息，在位置信息的基础上通过传统聚类的方法拿到常驻点。常驻点结合其他信息，可以推测用户的工作地点、出差地点、旅游地点。这些用户标签非常有助于推荐。
优化今日头条要遵循内部设置的规则，不能随性。现今的今日头条信息产量非常巨大，必须做好规则优化，才能使你发布的内容、视频等的点击量和曝光率得到大幅度的提升。返回搜狐，查看更多
