构建物品画像
物品画像同用户画像一样，把物品画像构建简单地理解为物品信息标签化的过程。
在这个过程中需要挖掘物品结构化标签，再通过各个维度把结构化标签进行有序组织，最终形成物品画像。
物品画像主要分为基本信息、供给侧信息、存储侧信息、消费侧信息这 4 个层面。
下面我们以 58 同城到家精选服务画像为例，
- 基本信息包括类目属性、价格信息、店铺信息、商家信息等；
- 供给侧信息包括商家供给数、商家服务能力分等；
- 存储侧信息包括库存数、库存金额等；
- 消费侧信息包括订单数、下单用户数、销量信息、优惠券金额、实付金额等，这些信息经过不同维度提取后，最终构成了完整的物品画像。
用户画像与物品画像匹配
用户画像与物品画像都构建好之后，我们就可以通过个性化流量分发体系实现快速匹配了，如搜索、推荐、精准推送等。
比如 58 同城到家精选用户标签中有价格段偏好，物品画像标签中也有价格段偏好，如果用户经常下单 100~200 元的保洁服务，用户画像中就会产生一个 100~200 元保洁服务的标签。而如果物品画像中保洁服务的 SKU 正好是 100~200 元，我们就可以利用个性化流量分发体系将用户标签与物品标签对齐，最终实现个性化、精准化匹配。
在利用画像将用户和物品进行打通时，用户画像和物品画像之间往往存在着很多交集和联动，这就要求我们通过大数据对画像系统进行查询组合处理。比如我们需要通过画像找到物品的目标用户，再将物品推荐或推送给用户，这个过程两者之间就存在着很多交集与联动。
而查询组合的过程其实就是一个树形结构（如下图所示），其中叶子节点是具体查询条件，它用来记录查询条件，如查询字段、条件符、值等。根节点是条件符；在该条件基础之上根节点又会与新查询条件聚合，并创建出一个新的叶子节点，后续并以此类推。而关系节点连接叶子节点，用来记录左查询条件、交集并集操作符及右查询条件。
在查询组合时是多状态的，为了简化查询业务流程，就需要我们对查询条件进行一定的封装，那我们又该如何对查询条件进行封装呢？查询条件封装过程分为 4 个步骤，具体如下图所示：
查询条件创建叶子节点；
与其他节点取交集/并集运算；
创建新节点（当前节点为左节点，设置运算符，其他节点为右节点）；
返回新节点。
总的来说，在用户画像与物品画像匹配的过程中，精细化、个性化才是根本。
网友评论