用户画像标签数据开发之标签权重计算

最新推荐文章于 2023-03-16 21:01:11 发布

电光闪烁

最新推荐文章于 2023-03-16 21:01:11 发布

阅读量3.9k

点赞数 4

分类专栏： # 用户画像文章标签：用户画像用户标签

本文链接：https://blog.csdn.net/yang_shibiao/article/details/122676685

版权

用户画像专栏收录该内容

25 篇文章 27 订阅

订阅专栏

注：此博文为根据赵宏田老师的用户画像·方法论与工程化解决方案一书读后笔记而来，仅供学习使用

0. 相关文章链接

用户画像文章汇总

1. 什么是标签权重计算

用户在平台上的不同行为具体到用户标签层面有着不同的行为权重。在本案例场景中，用户购买某商品的行为权重要比用户添加到购物车、收藏某商品、浏览某商品的行为权重依次要高。具体到某个产品层面，需要用户画像建模人员与运营人员密切沟通，结合业务场景给不同的行为类型定权重（基本思想是复杂程度越高的行为价值越大），同时需要考虑标签本身在全体标签类型中的权重属性。下面介绍主观权重打分结合TF-IDF算法的综合权重计算方法。

2. TF-IDF词空间向量

TF-IDF是一种统计方法，用以评估一个字或词相对于一个文件集或一个语料库中的其他词语的重要程度。字词的重要性随着它在文件集中出现的次数的增加成正比增加，同时随着它在语料库中出现的频率成反比下降。在本章介绍的案例中，对于每个用户来说，其身上同一个标签出现的次数越多，该标签对于这个用户来说越重要，该标签在全部用户的所有标签产生的标签集中出现的次数越多，该标签的重要性越低。

使用TF-IDF方法来表示标签(Tag,T)和用户(User,P)之间的关系：其中w(P,T)表示一个标签T被用于标记某个用户P的次数， TF(P,T)表示这个标记次数在所有标记用户P的标签中所占的比例， TF计算公式如下：

在一定程度上，这个比例反映了用户P被认为与标签T有关联的度量。这个度量越大说明在更多情况下用户P与标签T之间的关系越紧密。

IDF(P,T)表示标签T的稀缺程度，即这个标签在全体用户的所有标签中出现的概率。对一个标签T来说，如果它本身出现的概率就比较小，却被用来标记用户P,这会使得用户P与标签T之间的关系更加紧密。IDF的计算公式如下：

这样，用户P和标签T之间的关系系数为TF(P,T)和IDF(P,T) 的乘积，计算公式为：

$rel(P,T)=TF(P,T) * IDF(P,T)$

举一个简单的例子：如图4-28所示，A〜C代表用户，a〜e代表标签，数字代表A〜C用户身上该标签的个数。以用户A为例，A身上有a、 b、d、e 4类标签共4+3+0+5+3=15个，a标签对A用户的TF值为4/15。全体用户共有a标签4+5+0=9个，全体用户的全部标签为 4+5+3+6+5+5+6+3+4=41个，a标签的IDF值为41/9°A用户身上的a标签 TFXIDF值为4/15*41/9=1.21。

至此，通过TF-IDF算法求出了用户与标签之间的权重关系。但是此时计算用户标签的权重还没有结束，当前的标签权重是未考虑业务场景，仅考虑用户与标签之间的关系求出来的，这显然是不够的。

3. 时间衰减系数

当用户数据达到足够的密集程度后，用户身上打的标签对应的属性会表现出较高的稳定性，这种稳定性与用户长期行为形成的个人真实特征相匹配。但是也存在灵活变化的适应性较弱的问题。

例如，某用户主要从事软件开发，因此其在某图书类电商网站上的搜索、收藏、购买等行为主要集中在与编程相关的内容上。然而，如果该用户近期内转为运营类岗位，则其近期的浏览与搜索就会突变为与运营相关的内容。但是，将用户画像的属性描述从编程转为运营并不会由此立刻实现，仍需要长时间的用户行为的积累，直至在运营下积累了比编程更多的子分类标签。但是在转换期间，系统仍对用户推送编程相关书籍，这显然脱离了用户的真实关注内容。

为解决这个问题，我们引入了时间衰减这个参数，根据发生时间的先后为用户行为数据分配权重。时间衰减是指随着时间的推移，用户的历史行为和当前行为的相关性不断减弱，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。牛顿冷却定律描述的场景是：一个较热的物体在一个温度比其温度低的环境下，这个较热的物体的温度是要降低的，而周围物体的温度要上升，最后物体的温度和周围的温度达到平衡，在这个平衡的过程中，较热物体的温度 F(t)随着时间t的增长而呈现指数型衰减，其温度衰减公式为：

其中，x为衰减常数，可通过回归计算得出。例如：指定45分钟后物体温度为初始温度的0.5倍，即0.5=1Xexp(-X45),求得 =0.1556。

在用户画像的应用中，用户的某些行为会随时间衰减，而某些行为不会随时间衰减。一般来说，用户操作的复杂程度越高，其行为随时间衰减的影响性越小，我们可视该类行为不随时间衰减(如下单、购买行为)。对于随时间衰减的行为，在计算行为权重时需考虑时间因素，衰减方式可套用牛顿冷却定律；对于不随时间衰减的行为则不必考虑时间的影响，如下表所示。

行为名称	是否受时间影响	行为权重值计算
用户搜索图书	1	行为标签权重X时间哀减函数
用户搜索图书对应作者	1	行为标签权重X时间衰减函数
用户搜索作者	1	行为标签权重X时间衰减函数
用户支付成功图书	0	行为标签权重
用户收藏图书	0	行为标签权重
用户支付成功图书对应作者	1	行为标签权重X时间衰减函数
用户收藏图书对应作者	1	行为标签权重X时间衰减函数

4. 标签权重配置

用户标签的权重最终还是需要进一步结合标签所处的业务场景、距离当前时间、用户行为产生该标签的行为次数等因素，最终得到用户标签权重的综合打分公式：

用户标签权重 = 行为类型权重 X 时间衰减 X 用户行为次数 X TF-IDF计算标签权重

公式中各参数的释义如下：

行为类型权重：用户浏览、搜索、收藏、下单、购买等不同行为对用户而言有着不同的重要性。一般而言，操作复杂度越高的行为权重越大。该权重值一般由运营人员或数据分析人员主观给出。
时间衰减：用户某些行为受时间影响不断减弱，行为时间距现在越远，该行为对用户当前行为来说意义越小。
行为次数：用户标签权重按天统计，用户某天与该标签产生的行为次数越多，该标签对用户的影响越大。
TF-IDF计算标签权重：由每个标签对用户的重要性与该标签在全体标签中的重要性的乘积得出每个标签的客观权重值。

结合标签权重的计算公式，可以对用户特征库(dw.cookie_feature_event_append)的行为数据计算标签权重，筛选出与用户行为相关性最大的标签。

注：再次声明，此博文为根据 赵宏田 老师的 用户画像·方法论与工程化解决方案 一书读后笔记而来，仅供学习使用

注：其他相关文章链接由此进 -> 用户画像文章汇总