用户画像中的兴趣类标签如何计算？

编辑导语：互联网的飞速发展，把人们带入到了一个信息异常丰富的时代，每天都会有大量的信息产生，信息过载已成为了一个严重的问题。面对如此海量的信息，用户很难快速找到自己感兴趣的内容。于是制作用户用户画像，计算兴趣类标签变得越来越重要。今天本文作者就为我们分享了“用户兴趣偏好”标签的计算方法。

今天分享一下“用户兴趣偏好”标签的计算方法。

一、什么是兴趣偏好类标签

首先，什么是兴趣偏好呢？

其实从字面意义上，比较容易理解：我们以电商为例，就是某个用户对某个对象（这里的对象可以是商品、可以是品类等）是否有喜好。

官方一点的定义：圈定某兴趣涉及的对象，根据消费者与该兴趣对象的互动情况，判断消费者对某一兴趣的爱好程度。

举个例子，想看看用户对于“体育运动”类目是不是有偏好。

有朋友会问，这标签计算不是太容易了么，直接把这个用户历史上所有的购买记录，拿出来，分类目统计一下不同类目的成交情况，看看体育运动类目的成交多不多，不就完了。

逻辑是没问题，但是忽略了很多场景：比如用户天天浏览体育运动相关的类目，但成交量不大，是不是也说明对该类目有偏好呢？而这种偏好的计算，往往比成交的偏好更有营销价值，也更全面。

那如何进行兴趣偏好标签的计算呢？

二、兴趣偏好标签的计算

先看计算逻辑总体概览，主要分为了三部分：互动行为、互动深度、权重。我们这里的兴趣偏好，以用户偏好哪个一级品类为例，进行展开。

1. 互动行为

这部分是确定有哪些用户行为要纳入到兴趣标签的计算中。

通常在电商中，使用的比较多的就是：浏览、加购、下单。有这些行为，往往反映出用户对该品类有较强的兴趣。

另外，搜索行为也是很能反映用户偏好的，但由于搜索词涉及大量NLP的内容，在做标签的计算中，比较耗时费力，在精度要求没有那么高的时候，可以先不考虑搜索行为。

2. 互动深度

所谓的互动深度，指的是用户在每种互动行为下，有哪些具体的内容可以衡量用户行为的深度情况。

不然容易出现这种情况：用户只是对某个类目下的某个商品有超强偏好，但是最终计算结果却是该用户对整个类目都有兴趣。用互动深度，能降低异常情况带来的影响。

我们这里举的例子，使用了三个指标来反映用户的行为深度：设计三级类目数、涉及sku数、购买件数。

3. 权重设置

权重部分很重要。这是为了将不同行为对最终结果的贡献，进行合理差异化。

也比较容易理解，肯定是下单说明用户更感兴趣嘛，毕竟能真掏钱的才是真爱。所以在权重大小上，也是下单>加购>浏览。

关于如何设置权重，后面有机会再分享。

4. 综合得分

最后就是根据行为、深度、以及权重，综合计算偏好得分了。

通常，计算之前会对数据进行一些标准化的处理，避免量纲对结果的影响。基于得分，进行阈值的划分，可以划分出不同的偏好程度。

以上是关于人群兴趣偏好标签的分享，关于其他类型标签的计算，敬请期待

 

本文由 @冬至 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。