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。
![93f2b1535a4777e4e9cd108a03384d3e.png](https://i-blog.csdnimg.cn/blog_migrate/408ad9422d4e3ed8452103be917cf17b.jpeg)
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。