使用者畫像之標籤權重演算法
使用者畫像：即使用者資訊標籤化，通過收集使用者社會屬性、消費習慣、偏好特徵等各個維度資料，進而對使用者或者產品特徵屬性的刻畫，並對這些特徵分析統計挖掘潛在價值資訊，從而抽象出一個使用者的資訊全貌，可看做是企業應用大資料的根基，是定向廣告投放與個性化推薦的前置條件。
先舉個場景，程式設計師小Z在某電商平臺上註冊了賬號，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使用者在平臺上的行為，通過系列建模演算法，給程式設計師小Z打上了符合其特徵的標籤（如下圖所示）。此後程式設計師小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....
上面的例子是使用者畫像一些應用場景。而本文主要分享的是打在使用者身上標籤的權重是如何確定的。
如上圖所示，一個使用者標籤表裡麵包括常見的欄位如：使用者id、使用者姓名、標籤id、標籤名稱、使用者與該標籤發生行為的次數（如搜尋了兩次“大資料”這個關鍵詞）、行為型別（不同的行為型別對應使用者對商品不同的意願強度，如購買某商品>收藏某商品>瀏覽某商品>搜尋某商品），行為時間（越久遠的時間對使用者當前的影響越小，如5年前你會搜尋一本高考的書，而現在你會搜尋一本考研的書）。最後非常重要的一個欄位是標籤權重，該權重影響著對使用者屬性的歸類，屬性歸類不準確，接下來基於畫像對使用者進行推薦、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、基於TF-IDF演算法的權重歸類
TF-IDF演算法是什麼思想，這裡不做詳細展開，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，隨它在整個文件集中出現的次數成反比。
對上面的圖來說，使用者1身上打了標籤A 5個，標籤B 2個，標籤C 1個，那麼使用者1身上的A標籤TF=5/（5+2+1） 。
相應的IDF（P , T）表示標籤T在全部標籤中的稀缺程度，即這個標籤的出現機率。如果一個標籤T出現機率很小，並且同時被用於標記某使用者，這就使得該使用者與該標籤T之間的關係更加緊密。
然後我們根據TF * IDF即可得到該使用者該標籤的權重值。到這裡還沒結束，此時的權重是不考慮業務場景，僅考慮使用者與標籤之間的關係，顯然是不夠的。還需要考慮到該標籤所處的業務場景、發生的時間距今多久、使用者產生該標籤的行為次數等等因素。我用個圖總結下：
關於時間衰減的函式，根據發生時間的先後為使用者行為資料分配權重。
時間衰減是指使用者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式時，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，最後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(-冷卻係數×間隔的時間)
其中α為衰減常數，通過迴歸可計算得出。例如：指定45分鐘後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、基於相關係數矩陣的權重歸類
這個相關係數矩陣聽title挺困難，其實道理十分簡單。舉個例子：使用者1身上打上了5個A標籤、2個B標籤、1個C標籤；使用者2身上打上了4個A標籤，3個B標籤；使用者3身上打上了4個C標籤、1個D標籤。
用個圖形象表示一下：
那麼同時打上A、B標籤的使用者有兩個人，這就說明AB之間可能存在某種相關性，當用戶量、標籤量級越多時，標籤兩兩之間的相關性也越明顯。