用户画像的标签权重

2、标签权重计算

用户在不同标签上的偏好是通过权重来反映的，权重越高，说明用户在该标签上的偏好越强，反之亦然。而且，这个权重会随着时间变化而变化，标签权重的计算主要通过TF-IDF算法。

1）TF-IDF算法思想

用户标签权重，是由该标签对用户本身的重要性（TF-IDF权重）与该标签在业务上对用户的重要性（业务权重）两者共同决定的，

即：用户标签权重 = 业务权重* TF-IDF权重。

TF-IDF权重是通过TF-IDF计算得到的，业务权重是通过用户对标签的行为来决定的，

即：业务权重=行为类型权重 * 行为次数 * 时间衰减

2）简单理解

就是用户对一个标签的重要程度，会用不同行为来表达，不同的行为有不同的难度，比如：对于电商用户的行为难度来说，支付>收藏加购>分享>浏览>点击。不同行为就会有不同的权重，行为越难代表越喜欢，权重越高，同理行为次数越多也代表越喜欢。

标签对这个用户来说越稀有代表越喜欢，喜欢程度会随着时间的增加而逐渐降低，通过这个公式计算标签权重。

3）行为类型权重

用户浏览、点击、搜索、收藏、分享、下单、购买等不同行为对用户而且有不同重要性，一般根据业务经验或者使用层次分析法定义一个基本行为权重。

4）行为次数

这里的行为次数表示每一种行为的次数。

5）时间衰减

时间衰减是指用户的行为会随着时间的流逝，用户偏好会不断减弱。在建立与时间衰减相关的函数时，我们可套用牛顿冷却定律数学模型。

牛顿冷却定律：较热物体的温度F(t)是随着时间t的增长而呈现指数型衰减，其温度衰减公式为：

F(t)=T*exp(-α*t)。

T：初始温度

α：衰减常数即冷却系数，是自己定义的数值，一般通过回归可计算得出

t：时间间隔

在初步形成了用户画像后，并不能直接交给运营、业务人员直接使用，还需要评估用户画像的准确性，以及交付使用后不断迭代用户画像，以获得更加精准的用户画像。

评估方式主要分为3种：逻辑验证、A/B test、用户回访。

逻辑验证：也叫做交叉验证，在完整的用户画像标签体系中，一些标签往往会存在一些相关性；比如用户的累计在线时长越长，订单量通常会越高；比如购买3C产品的用户群中，男性用户数通常大于女性用户数；另外，如果公司购买了第三方机构的数据，也可用于交叉验证。

A/B test：也叫做灰度测试，以上述的忠诚度为例，保证对照组、实验组的流量相同；对实验组的用户，进行提升忠诚度的运营策略（促销活动、积分奖励等）；如果实验组的用户，忠诚度相比对照组用户，有一定提升，则可以认为用户画像比较精确。

用户回访：最朴实的评估方法，比如用户画像系统，定义了10万用户为低忠诚度用户；此时从中随机抽取1000人，交给客服，进行回访。根据回访结果，判断用户画像结果是否准确；甚至可以对回访结果进行文本挖掘，形成词云，查看消极词的占比。

层递进地说明了：什么是用户画像？→ 什么场景会用到用户画像？→ 我们是不是真的需要用户画像？→ 用户画像怎么搞才能落地？→ 能落地的用户画像的构建步骤 → 用户画像的效果评估&迭代。