阿里

為打破數(shù)據(jù)孤島，創(chuàng)造更大的數(shù)據(jù)價值，阿里設計了OneEntity來提供全域數(shù)據(jù)與服務。OneEntity體系主要包含統(tǒng)一實體、全域標簽、全域關系、全域行為4大類。

01

標簽分類

其中GProfile全域標簽的分類，將“人”的立體刻畫劃分為“人的核心屬性”和“人的向往與需求”2大部分，具體包含4大類：

人的核心屬性，可分為自然屬性、社會屬性。

-自然屬性：是指人的肉體存在及其特征，是人自出生后自然存在的，一般不會因人為因素發(fā)生較大的改變。例如“性別”“生肖”“年齡”“身高”“體重”等。

-社會屬性：指人在實踐活動基礎上產(chǎn)生的一切社會關系的總和。人一旦進入社會就會產(chǎn)生社會屬性。例如經(jīng)濟狀況、家庭狀況、社會地位、政治宗教、地理位置、價值觀等。

人的向往與需求，可分為興趣偏好、行為消費偏好。

-興趣偏好：是人堆非物化對象的內在心理向往與外在行為表達，是一種法子內心的本能喜好，與物質無必然關系。例如渴望愛情、需要安全感、討厭臟亂環(huán)境等。

-行為消費偏好：是人對物化對象的需求與外在行為表達，涉及各行業(yè)，與物質世界存在千絲萬縷的聯(lián)系。例如母嬰行業(yè)偏好、美妝行業(yè)偏好、洗護行業(yè)偏好、家裝行業(yè)偏好等。

在以上四大類的基礎上，我們又嘗試根據(jù)不同的業(yè)務形態(tài)進一步細分二級、三級分類。

02

標簽萃取

標簽的萃取工作包含：數(shù)據(jù)采集；清洗，去噪聲并統(tǒng)一；反復試用并確定最佳算法及模型；為模型選擇計算因子并對模型中的每一個計算因子調配權重；產(chǎn)出標簽質量評估報告以輔助驗收。

我們隨機抽查了若干個在用的標簽，預估工作量和工作周期，一個有價值的標簽的萃取，平均耗時2周。

慢的主要原因，一是由于萃取流程復雜，每個標簽萃取都依賴底層的基礎數(shù)據(jù)，而較少依賴上一層匯總的數(shù)據(jù)中間層數(shù)據(jù)；二是大量重復的人力，對應的標簽萃取邏輯時可以復用的，包含算法的選擇、模型訓練和計算因子的加權等，但由于不同人來做，造成了很多重復工作。

標簽萃取過程復雜，那有什么可以參考的流程呢？

首先，數(shù)據(jù)源層面：建設一套完整的數(shù)據(jù)源，以OneEntity體系為核心，將OneEntity相關實體及其行為全部串聯(lián)起來，與存量的標簽一起作為數(shù)據(jù)源。

其次，標簽計算層面：將標簽萃取邏輯沉淀為2種，分別對應到偏好類標簽和分類預測類標簽的工具型產(chǎn)品的生產(chǎn)過程中，包含計算因子、權重等業(yè)務規(guī)則、數(shù)據(jù)樣本選擇、模型與算法選擇等。

最后，標簽監(jiān)測層面：沉淀質量評估報告和生產(chǎn)監(jiān)測、上線等管理流程。

當一整套工具型產(chǎn)品上線之后，批量生產(chǎn)十幾個同類型標簽只需要2天左右，這是因為在補足數(shù)據(jù)源、確定業(yè)務規(guī)則、選擇數(shù)據(jù)樣本、選擇算法與模型的過程中，減少了大量的代碼開發(fā)與模型訓練的工作。

在這個過程中，參與的角色也發(fā)生了變化，從原本的以數(shù)據(jù)產(chǎn)品經(jīng)理、數(shù)倉工程師、數(shù)據(jù)科學家為主導，轉變?yōu)閷I(yè)務更為熟悉的業(yè)務人員、數(shù)據(jù)分析師為主導。

2

網(wǎng)易

網(wǎng)易大數(shù)據(jù)融合用戶娛樂、電商購物、教育、新聞資訊、通訊等多行業(yè)10+產(chǎn)品線，構建起全域用戶畫像數(shù)據(jù)，目前總標簽1000+，ID量URS、phone、idfa、IMEI、oaid等均達到憶級。

01

標簽分類

1.基礎標簽：

性別、年齡、教育背景、生活習慣（早起晚起）、地理位置（POI信息）、職業(yè)狀況、經(jīng)濟情況（有車有房）、設備信息（手機、運營商等）、會員信息（會員等級）、衍生信息。

其中衍生標簽，如評估是否已婚，在原由標簽體系下沒有此類標簽，但可通過多個標簽進行組合生成新的標簽，包含是否有小孩、30歲等條件組合。

2. 行為標簽

包含地域、廣告、搜過、播放、點擊、評論、關注、收藏、購買等維度。

3. 偏好標簽

包含出行購物、手機數(shù)碼、家裝家居、教育公益、文化娛樂、新聞資訊、金融理財、游戲競技、動漫影視、明星藝人等維度

4. 預測標簽

包含利用算法進行預測生成的標簽，包含是否出行、是否買車等標簽。

注意：

1. 標簽的枚舉值十分重要，業(yè)務分析過程中很容易出現(xiàn)枚舉值的偏差，不符合實際業(yè)務邏輯

2. 注意標簽之間的沖突，如年齡15歲，學歷卻是博士或者有小孩

02

標簽計算

預測類標簽案例：性別，主要包含三種方案：

1. 標簽傳播：根據(jù)用戶在各個業(yè)務場景，如母嬰商品點擊行為，進行item標記，構建user-item的興趣網(wǎng)絡進行 Graph Embedding，最后進行分類，預測用戶的性別。

2. 語義分析：利用NLP算法對用戶昵稱進行語義分析

3. 自行填寫：利用業(yè)務屬性自行填寫的內容進行判斷，此處需對數(shù)據(jù)質量進行過濾，排除如生日為1990-01-01的參數(shù)異常值信息。

基于上述三類算法特征結果集，對模型進行融合，然后對用戶的性別進行預測，其準確率在0.6以上。

注意：需要突破的地方在于特征的稀疏性，因為ID-mapping打通后，數(shù)據(jù)覆蓋率僅20%左右，嚴重影響了模型的整體效果。

3

汽車之家

用戶畫像的構建就是把用戶標簽分列到不同的類里面，這些類都是什么，彼此之間的聯(lián)系，就構成了標簽體系。

01

按用途分類

1.人口屬性：用戶自然屬性、用戶會員、用戶所屬年代、用戶價值登記、是否增換購用戶、用戶分群、UVN-B用戶分群、用戶分層、用戶流失預警

2.網(wǎng)絡屬性：用戶APP設備信息、用戶PC設備信息、用戶活躍時段、用戶平臺偏好、用戶活躍類型

3.內容興趣偏好：業(yè)務類型偏好、內容分類標簽、用戶關注作者偏好、用戶產(chǎn)品偏好、用戶顯式負反饋、用戶論壇偏好、車友圈偏好、用戶興趣欄目

4.車興趣偏好 ：用戶短期興趣車偏好、用戶興趣車偏好、配置偏好、用戶顏色偏好、用戶購車目的、用戶置換偏好、用戶推薦有車、二手車用戶偏好、用戶購車意向、用戶新舊偏好、用戶購車階段、用戶有車標簽、用戶興趣集中度、用戶能源偏好、用戶生產(chǎn)方式偏好

5.金融畫像：分期購車意向度、用戶購買力、二手車用戶購買力、用戶汽車價格偏好、用戶經(jīng)濟屬性、增換購用戶預測線索

6.場景畫像：用戶地理位置

02

按統(tǒng)計方式分類

1.統(tǒng)計類標簽

統(tǒng)計類標簽，通過業(yè)務規(guī)則，將業(yè)務問題轉化為數(shù)據(jù)口徑實現(xiàn)。如收藏列表、 搜索關鍵詞、保險到期時間、是否下過線索、30天內訪問xx次等。

2.興趣類標簽

興趣類標簽，基于興趣遷移模型構建用戶標簽。綜合考慮特征、特征權重、距今時間、行為次數(shù)等因素，用戶興趣標簽構建公式如下：

用戶興趣標簽=行為類型權重*時間衰減*行為次數(shù)

-特征：需要結合業(yè)務選擇，如瀏覽、搜索、線索、對比、互動、點擊、有車等行為。

-權重：用戶在平臺上發(fā)生的行為具體到用戶標簽層面有著不同的行為權重，一般而言，行為發(fā)生的成本越高，權重越大。可以由業(yè)務人員確定，也可以采用TF-IDF技術分析得出。

-時間衰減：用戶行為收時間的影響不斷衰減，距離現(xiàn)在越遠，對用戶興趣的影響越低，這里采用牛頓冷卻定律的思想擬合衰減系數(shù)，衰減周期結合業(yè)務制定。

-行為次數(shù)：在固定時間周期內行為發(fā)生的次數(shù)越多，興趣傾向越重。

3.模型類標簽

基于機器學習方法進行數(shù)據(jù)建模預測用戶的標簽，這類標簽在標簽體系中占比較少，其實現(xiàn)難度高，開發(fā)成本高。

例如：

-是否有車：基于RF+LR模型實現(xiàn)

-常駐地：基于GPS聚類獲取，采用DBSCAN

-購車轉化：GBDT

-用戶分群：KMENAS聚類產(chǎn)生

03

按時效分類

從數(shù)據(jù)時效上，可分為離線畫像和實時畫像。離線與實時采用的構建思想相同，不同之處在于：

-離線畫像：描述用戶長期的習慣；

-實時畫像：描述用戶當下的興趣，會隨時間的改變而發(fā)生變更；

總結

各大公司的標簽分類不同，現(xiàn)市面上有三種常用的標簽分類方式，按用途分類，可分為基礎信息、用戶行為、業(yè)務偏好、場景標簽；按統(tǒng)計方式分類，可分為事實類標簽、規(guī)則類標簽、預測類標簽；按時效分類，可分為靜態(tài)標簽、動態(tài)標簽。

原文標題：干貨：阿里/網(wǎng)易/汽車之家畫像標簽體系

文章出處：【微信公眾號：數(shù)據(jù)分析與開發(fā)】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq