感謝大家長期以來對文章的關注，最近工作比較忙，好久沒更新了。接下來的幾篇文章想和大家分享下關于用戶畫像的一些東西。今天我們先從用戶畫像的標簽權重開始聊起吧。

用戶畫像：即用戶信息標簽化，通過收集用戶社會屬性、消費習慣、偏好特征等各個維度數據，進而對用戶或者產品特征屬性的刻畫，并對這些特征分析統計挖掘潛在價值信息，從而抽象出一個用戶的信息全貌，可看做是企業應用大數據的根基，是定向廣告投放與個性化推薦的前置條件。

先舉個場景，程序員小Z在某電商平臺上注冊了賬號，經過一段時間在該電商平臺的web端/app端進行瀏覽、所搜、收藏商品、下單購物等系列行為，該電商平臺數據庫已全程記錄該用戶在平臺上的行為，通過系列建模算法，給程序員小Z打上了符合其特征的標簽（如下圖所示）。此后程序員小Z在該電商平臺的相關推薦版塊上總能發現自己想買的商品，總能在下單前猶豫不決時收到優惠券的推送，總是在平臺上越逛越喜歡....

上面的例子是用戶畫像一些應用場景。而本文主要分享的是打在用戶身上標簽的權重是如何確定的。

如上圖所示，一個用戶標簽表里面包括常見的字段如：用戶id、用戶姓名、標簽id、標簽名稱、用戶與該標簽發生行為的次數（如搜索了兩次“大數據”這個關鍵詞）、行為類型（不同的行為類型對應用戶對商品不同的意愿強度，如購買某商品>收藏某商品>瀏覽某商品>搜索某商品），行為時間（越久遠的時間對用戶當前的影響越小，如5年前你會搜索一本高考的書，而現在你會搜索一本考研的書）。最后非常重要的一個字段是標簽權重，該權重影響著對用戶屬性的歸類，屬性歸類不準確，接下來基于畫像對用戶進行推薦、營銷的準確性也就無從談起了。下面我們來講兩種權重的劃分方法：

1、基于TF-IDF算法的權重歸類

TF-IDF算法是什么思想，這里不做詳細展開，簡而言之：一個詞語的重要性隨著它在該文章出現的次數成正比，隨它在整個文檔集中出現的次數成反比。

比如說我們這里有3個用戶和4個標簽，標簽和用戶之間的關系將會在一定程度上反應出標簽之間的關系。這里我們用w（P , T）表示一個標簽T被用于標記用戶P的次數。TF（P , T）表示這個標記次數在用戶P所有標簽中所占的比重，公式如下圖：

對上面的圖來說，用戶1身上打了標簽A 5個，標簽B 2個，標簽C 1個，那么用戶1身上的A標簽TF=5/（5+2+1） 。相應的IDF（P , T）表示標簽T在全部標簽中的稀缺程度，即這個標簽的出現幾率。如果一個標簽T出現幾率很小，并且同時被用于標記某用戶，這就使得該用戶與該標簽T之間的關系更加緊密。

然后我們根據TF * IDF即可得到該用戶該標簽的權重值。到這里還沒結束，此時的權重是不考慮業務場景，僅考慮用戶與標簽之間的關系，顯然是不夠的。還需要考慮到該標簽所處的業務場景、發生的時間距今多久、用戶產生該標簽的行為次數等等因素。我用個圖總結下：

關于時間衰減的函數，根據發生時間的先后為用戶行為數據分配權重。

時間衰減是指用戶的行為會隨著時間的過去，歷史行為和當前的相關性不斷減弱，在建立與時間衰減相關的函數時，我們可套用牛頓冷卻定律數學模型。牛頓冷卻定律描述的場景是：一個較熱的物體在一個溫度比這個物體低的環境下，這個較熱的物體的溫度是要降低的，周圍的物體溫度要上升，最后物體的溫度和周圍的溫度達到平衡，在這個平衡的過程中，較熱物體的溫度F(t)是隨著時間t的增長而呈現指數型衰減，其溫度衰減公式為：

F(t)=初始溫度×exp(-冷卻系數×間隔的時間)

其中α為衰減常數，通過回歸可計算得出。例如：指定45分鐘后物體溫度為初始溫度的0.5，即 0.5=1×exp(-a×45)，求得α=0.1556。

2、基于相關系數矩陣的權重歸類

這個相關系數矩陣聽title挺困難，其實道理十分簡單。舉個例子：用戶1身上打上了5個A標簽、2個B標簽、1個C標簽；用戶2身上打上了4個A標簽，3個B標簽；用戶3身上打上了4個C標簽、1個D標簽。

用個圖形象表示一下：

那么同時打上A、B標簽的用戶有兩個人，這就說明AB之間可能存在某種相關性，當用戶量、標簽量級越多時，標簽兩兩之間的相關性也越明顯。