阿里|阿里/网易/汽车之家画像标签体系( 二 ) 网易|画像|阿里|体系|汽车之家

2）行为标签
3）偏好标签
包含出行购物、手机数码、家装家居、教育公益、文化娱乐、新闻资讯、金融理财、游戏竞技、动漫影视、明星艺人等维度
4）预测标签
包含利用算法进行预测生成的标签，包含是否出行、是否买车等标签。
注意：

标签的枚举值十分重要，业务分析过程中很容易出现枚举值的偏差，不符合实际业务逻辑；
注意标签之间的冲突，如年龄15岁，学历却是博士或者有小孩。

2. 标签计算预测类标签案例：性别，主要包含三种方案：

标签传播：根据用户在各个业务场景，如母婴商品点击行为，进行item标记，构建user-item的兴趣网络进行 Graph Embedding，最后进行分类，预测用户的性别。
语义分析：利用NLP算法对用户昵称进行语义分析
自行填写：利用业务属性自行填写的内容进行判断，此处需对数据质量进行过滤，排除如生日为1990-01-01的参数异常值信息。

文章插图
基于上述三类算法特征结果集，对模型进行融合，然后对用户的性别进行预测，其准确率在0.6以上。
注意：需要突破的地方在于特征的稀疏性，因为ID-mapping打通后，数据覆盖率仅20%左右，严重影响了模型的整体效果。
三、汽车之家用户画像的构建就是把用户标签分列到不同的类里面，这些类都是什么，彼此之间的联系，就构成了标签体系。
1. 按用途分类1）人口属性
用户自然属性、用户会员、用户所属年代、用户价值登记、是否增换购用户、用户分群、UVN-B用户分群、用户分层、用户流失预警。

文章插图
2）网络属性
用户APP设备信息、用户PC设备信息、用户活跃时段、用户平台偏好、用户活跃类型。
3）内容兴趣偏好
业务类型偏好、内容分类标签、用户关注作者偏好、用户产品偏好、用户显式负反馈、用户论坛偏好、车友圈偏好、用户兴趣栏目。
4）车兴趣偏好
用户短期兴趣车偏好、用户兴趣车偏好、配置偏好、用户颜色偏好、用户购车目的、用户置换偏好、用户推荐有车、二手车用户偏好、用户购车意向、用户新旧偏好、用户购车阶段、用户有车标签、用户兴趣集中度、用户能源偏好、用户生产方式偏好。
5）金融画像
分期购车意向度、用户购买力、二手车用户购买力、用户汽车价格偏好、用户经济属性、增换购用户预测线索。
6）场景画像
用户地理位置。
2. 按统计方式分类1）统计类标签
统计类标签，通过业务规则，将业务问题转化为数据口径实现；如收藏列表、搜索关键词、保险到期时间、是否下过线索、30天内访问xx次等。
2）兴趣类标签
兴趣类标签，基于兴趣迁移模型构建用户标签。综合考虑特征、特征权重、距今时间、行为次数等因素，用户兴趣标签构建公式如下：
用户兴趣标签=行为类型权重*时间衰减*行为次数

特征：需要结合业务选择，如浏览、搜索、线索、对比、互动、点击、有车等行为。
权重：用户在平台上发生的行为具体到用户标签层面有着不同的行为权重，一般而言，行为发生的成本越高，权重越大；可以由业务人员确定，也可以采用TF-IDF技术分析得出。
时间衰减：用户行为收时间的影响不断衰减，距离现在越远，对用户兴趣的影响越低，这里采用牛顿冷却定律的思想拟合衰减系数，衰减周期结合业务制定。
行为次数：在固定时间周期内行为发生的次数越多，兴趣倾向越重。

3）模型类标签
基于机器学习方法进行数据建模预测用户的标签，这类标签在标签体系中占比较少，其实现难度高，开发成本高。
例如：

是否有车：基于RF+LR模型实现
常驻地：基于GPS聚类获取，采用DBSCAN
购车转化：GBDT
用户分群：KMENAS聚类产生

3. 按时效分类从数据时效上，可分为离线画像和实时画像。
离线与实时采用的构建思想相同，不同之处在于：

离线画像：描述用户长期的习惯；
实时画像：描述用户当下的兴趣，会随时间的改变而发生变更；

四、总结各大公司的标签分类不同，现市面上有三种常用的标签分类方式：

按用途分类，可分为基础信息、用户行为、业务偏好、场景标签；
按统计方式分类，可分为事实类标签、规则类标签、预测类标签；
- 上一页
- 1
- 2
- 3
- 下一页