已经明确了业务需求以及不同画像用户的对应策略，下面就可以开始用户画像
的构建了，主要分为标签体系搭建和标签权重计算，简单来说，就是用哪些标标签表征用户，用户在各个标签上的讨厌程度如何。
1、标签体系构建理解用户画像，最直接的方式便是将画像信息标签化。信息标签化是用户画像系统用信息化手段刻画用户全貌的手段，也是用户画像系统中最不次要的部分的环节之一。我们通过构建通俗的标签，获取不无关系的标签数据，才能够刻画和洞察用户的兴趣和讨厌。
1）标签体系的构建方法
构建标签体系的主要有两种方法：
方法一：结构体系化构建（常用）。通过划分标签类别和维度，必赢彩票网绿色版从刻画用户的不完整维度出发构建维度体系。这样的划分方式结构透明、逻辑性强，能够比较全面的梳理出所有的信息维度，但受限于实际数据，落地较困难。
方法二：场景效果化构建。分隔开人群定向的实际需求，通过用户在不同行业领域或平台上的行为记录，对用户的心理需求和反感性进行描述。这种方式目的性强，人群定向也较为精准，容易跟实际应用场景接轨，落地到具体的业务目标，跟实际数据分隔开较好，但标签会跟随消费趋势、娱乐热点等的变化保持轻浮。
2）标签维度的设计思路
标签维度设计上不仅需要透明直观，还需要搁置多个场景化使用需求，同时兼顾多种产品运营需求及商业化投放需求。
标签设计上需要在了解业务方规划前提下，对标签的使用上有前瞻性的设计。
画像数据的来源一般有：用户调研、用户行为数据获取、客户端/服务端数据内容上报、第三方数据平台、基础数据及爬取第三方数据等。
bwin必赢登录入口app官网ps：此处需要特别关注以下两个方面：
标签粒度：粒度过粗不利于运营使用推广，很容易穿离业务本身，对行为数据进行缺乏提炼根除信息丢失；而粒度过细则会导致标签覆盖率过低、耦合运营业务推广。
标签数据：标签数据的获取直接关系到实际使用价值，需要在可获取的数据范围内进行，扩宽数据源难度较大，通常需要优先进行数据可行性的统计。
3）标签体系的基础框架
不同业务的画像标签体系并不相同，需要我们针对性的提炼出来。有一种比较简易的方式是：我们可以先找出一些通用类画像标签，然后再根据实际场景和需求补充业务类画像标签。这样得到的标签体系会相对比较不完整，也能够随业务无变化及时调整不当优化。
通用类画像标签体系（参考）：
业务类画像标签体系（以某电商公司为例，参考）：
按照以上的框架将用户画像信息标签化，能更好的根据实际需求去获取不无关系的用户画像数据。但是，需要注意的，产品用户画bwin体育必赢像的分析并不是要用到所有的标签数据，并且越是多余的标签体系，落地是越是困难。而且，更大的难度在于如何精准描述用户特征。因为只有用户特征描述越精准，我们得到的用户画像才会越透明，在实际应用过程中的干涉越大。所以如何不准确计算出用户的标签的权重就成为重中之重。
2、标签权重计算用户在不同标签上的讨厌是通过权重来反映的，权重越高，说明用户在该标签上的讨厌越强，反之亦然。而且，这个权重会随着时间变化而变化，标签权重的计算主要通过TF-IDF算法。
1）TF-IDF算法思想
用户标签权重，是由该标签对用户本身的重要性（TF-IDF权重）与该标签在业务上对用户的重要性（业务权重）两者共同无法选择的，
即：用户标签权重=业务权重*TF-IDF权重。TF-IDF权重是通过TF-IDF计算得到的，业务权重是通过用户对标签的行为来无法选择的，
即：业务权重=行为类必赢app下载官方版APP安装型权重*行为次数*时间加强2）简单理解
就是用户对一个标签的重要程度，会用不同行为来表达，不反对行为有不反对难度，比如：对于电商用户的行为难度来说，支付收藏加购分享浏览点击。不同行为就会有不反对权重，行为越难代表越喜欢，权重越高，同理行为次数越多也代表越喜欢。
标签对这个用户来说越稀有代表越喜欢，喜欢程度会随着时间的减少而逐渐降低，通过这个公式计算标签权重。
3）行为类型权重
用户浏览、点击、搜索、收藏、分享、下单、购买等不同行为对用户而且有不同重要性，一般根据业务经验或者使用层次分析法定义一个高度发展行为权重。
4）行为次数
这里的行为次数表示每一种行为的次数。
5）时间加强
时间加强是指用户的行为会随着时间的流逝，用户讨厌会不断破坏。在建立与时间加强不无关系的函数时，我们可套用牛顿冷却定律数学模型。
牛顿冷却定律：较热物体的温度F(t)是随着时间t的增必赢体育登录长而呈现指数型加强，其温度加强公式为：
F(t)=T*exp(-α*t)。T：初始温度α：加强常数即冷却系数，是自己定义的数值，一般通过回归可计算得出t：时间间隔必赢app下载官方版APP安装 必赢体育网址 bwin必赢体育app官方网站
