興趣標簽計算方法

⑴ App運營如何構建用戶興趣模型

一、用戶興趣模型的構建
俗話說，巧婦難為無米之炊。既然是以用戶興趣模型為基礎的APP PUSH信息，首先得有用戶興趣模型的存在。那怎麼構建起app用戶的興趣模型庫呢?
1、搜集用戶行為信息
行為可以反映興趣。一個男人想要追到自己看上的女人，最大捷徑莫過於多注意女人平時的行為，從而了解她的興趣愛好，最後投其所好。同理，一個app運營想要做好用戶興趣模型，首先要做的就是利用各種利用到的手段搜集想要的用戶行為信息。
什麼是用戶行為信息
用戶在一個網頁、網站或app產品上的任意操作統稱為用戶行為。以購物購物app為例，用戶從打開app、登陸賬戶、查找或瀏覽商品、加入購物車、支付訂單、分享商品、收藏商品等都屬於用戶行為信息。再如，一個用戶在某視頻app上觀看過的節目內容，用戶觀看某個視頻的次數和觀看時長等都是用戶在改app產品上的行為信息。
怎麼搜集用戶行為信息
不管是網站還是app，常見的用戶行為搜集方式主要有以下兩種：
顯示搜集：很多產品的新用戶注冊頁面把這種搜集用戶行為信息的方式詮釋的很好，如下圖所示知乎注冊頁面和人人都是產品經理注冊頁面，一個簡單的注冊頁就搜集到了幾個重要的用戶信息：手機號姓名。
除了用戶的注冊行為之外，用戶顯示反饋(如卸載某軟體彈出一個網頁讓你填寫反饋信息類)和表單填寫等能夠直接獲得用戶行為信息的方式都屬於顯示搜集范疇。
該方式的優勢：簡單粗暴，效果直觀，且搜集到的用戶行為信息能在很大程度上反映出用戶喜好。
隱式搜集：通過技術手段在後台全程記錄用戶在網站、網頁或app上的所有操作行為，並從這些操作行為中提取用戶興趣信息的。
如下圖所示，這是我某天晚上把淘寶某店鋪的一件寶貝加入了購物車，第二天早上就收到了一條提醒「交易剩下時間不多」的簡訊。該店鋪的小二之所以會發這條簡訊給我，是因為他在後台能夠看到我「加入購物車」這一行為。這是典型的隱式搜集用戶行為信息的案例。
該方式的優勢：用戶不直接參與，用戶體驗較好。
2、提取用戶興趣信息
用戶訪問某個頁面，進行某種操作背後在很大程度上代表他們的興趣愛好，即用戶行為信息是用戶對產品較為真實的需求。再者，我們搜集那麼多用戶行為數據，也是為了更好的了解用戶的興趣點。
比如微博、微信、陌陌，同樣是社交軟體，但每個用戶使用它們的目的都是不一樣的，有的是為了獲取新聞熱點事件，有的是是為了發展潛在客戶或機會，有的單純是為了加強和還有的聯系等。產生這種結果，是因為每個用戶的興趣點不一樣，所以每個用戶的行為也會不同。
所以，運營在有了用書行為數據後，要能夠從用戶行為信息中提取出用戶興趣信息。用戶興趣信息提取建議從兩方面著手：用戶訪問內容、用戶瀏覽行為。
有了行為數據之後，如何提取出用戶興趣信息並用一種恰當的表示方式描述用戶興趣
3、展示用戶興趣信息
運營根據用戶行為信息成功提取出用戶興趣後，要用一種比較恰當的表示方式對用戶興趣進行描述。這么做的目的有兩個：一是為了能夠讓用戶興趣信息更直觀;二是為了讓之後的用戶興趣建模更具科學性。
用戶興趣信息展示的方法有3種：
主題展示法：
以主題類別概念集合為依據來表示用戶的興趣點。如下圖所示，新用戶下載豆瓣app並打開進入首頁之前，會讓用戶選擇自己感興趣的主題。
優勢：用戶興趣信息直觀，且可操作性強。
不足：展示信息的精準度有待商榷。
關鍵詞展示法：
顧名思義，就是通過用戶主動提供或採用相關演算法篩選出一些能夠代表用戶興趣的關鍵詞來展示用戶興趣信息。如柏拉圖app製作的「個性標簽」H5幫用戶生成的那張個性標簽圖就是用的關鍵詞展示法。
優勢：操作簡單快捷。
不足：可能需要用戶的主動參與，體驗不夠好。
向量空間展示法：
通過計算關鍵詞的權重，把用戶的興趣展示城有關鍵詞和權重構成的單個分項組成的一個特徵向量序列。也就是說，向量空間展示法是關鍵詞展示法的升級版，加入了關鍵詞的權重信息，把文本表示成帶權重的信息的詞項向量。
下圖為向量空間展示法的計算公式。
W(t,d)：詞t在文本d中的權重;
TF(t,d)：詞在文本d中的詞頻;
N：訓練文本總數;
Nk：訓練文本集中出現t的文本數。
優勢：不用人工參與，用戶信息直接從服務端獲取。
不足：計算得到的用戶興趣文本特徵詞語數量龐大，增加運營工作量。
4、構建用戶興趣模型
根據前面的用戶興趣信息提取、展示、分析和挖掘，結合用戶實際需求，並以用戶數據實體為中心規約數據維度類型，將得到的用戶興趣喜好用結構化的形式為用戶建立一個興趣模型。這個環節通常也被稱之為用戶畫像的建立，即給用戶打標簽，讓用戶興趣信息標簽化。
二、如何根據用戶興趣模型讓用戶對app活動有求則應
用戶興趣模型構建好之後，用戶興趣行為、用戶興趣標簽、用戶興趣畫像等關於用戶興趣的數據都齊全了，後續的個性化、精準活動推送就比較簡單了。
一款app基於用戶興趣的個性化活動推送方式可以採取兩種形式，一是在app內進行SDK埋點，根據用戶實際場景和需求觸發精準活動；二是根據用戶興趣模型，主動PUSH相應的app活動。
1. SDK埋點定向觸發個性化活動
確定好活動場景和用戶興趣信息確定好活動投放位置，然後在app內相應的位置進行SDK埋點，當用戶完成了預定的操作或者符合相應的條件（如活動觸發行為）才能觸發某個活動。
如某次app活動主要的目的是什麼，是為了給app拉新、留存還是為了促活app用戶。不同場景的活動在app內的投放位置不同，如你是為了激活新用戶，你就把用戶可能感興趣的活動頁面投放在app用戶注冊完成頁面之後。用戶注冊成功，立即彈出一個新用戶抽獎的活動。
再比如一款購物app,想要提高用戶的復購率，可以根據用戶瀏覽商品的喜好，在用戶將商品加入購物車時投放投放該商品的優惠券活動，或在用戶下單後，根據用戶興趣投放一些周邊產品的打折優惠活動。下圖為外賣app餓了么下單後分享後的觸發優惠券活動。
2. 主動PUSH活動
主動PUSH信息是通過用戶興趣模型資料庫中的用戶興趣標簽智能判斷用戶對什麼類型的活動感興趣，然後直接推薦相應的活動給用戶。這一點，現在主打「興趣閱讀」的移動新聞類app產品做得比較出色。
如天天快報、今日頭條等，都是採用「智能計算用戶興趣—+編輯運營」的方式為用戶推薦內容的，這樣做的好處是符合app用戶的閱讀習慣和喜好，達到個性化閱讀推薦的效果。
總結
最後，無論是信息的個性化推送，還是活動的個性化推送，個性化推送都是為了更好地實現信息與用戶個性需求相匹配的過程。在這個過程中，用戶興趣模型的建立是非常關鍵，又因用戶行為或興趣會隨著時間或其他因素而改變。所以，建議app運營有周期性地對用戶興趣模型進行更新或修改。

⑵ 閱讀、電影和音樂的推薦演算法，哪一個更難做

「閱讀、電影和音樂的推薦演算法，哪一個更難做？為什麼？」關於這一問題，小編從諸多網友的回復中為你篩選了最用心、最高贊的回答！快來看看吧~

來看看網名為「幸運的ZLT0502」的網友是怎麼說的：

電影---音樂----閱讀！從我的經驗來看，閱讀是最難做到的，其次是音樂，最簡單的就是電影。當然，是在有很多數據的前提下。從幾個領域的特點來看：1．電影的item數量相對較少，好的電影有很長的生命周期，加上電影社區的用戶行為，視頻網站或預訂網站，都很好獲得，所以特別適合合作過濾。即使這不是一部大熱門電影，你也可以根據導演、類型、明星等製作內容。這些都是結構化的信息，所以沒有難度。音樂的item比電影要多一些，生命周期也非常不同，但它也可以用於基於用戶行為的協同過濾。該演算法如何表達和更新用戶的興趣?如何根據興趣標簽計算推薦結果?至少我沒有看到特別成功的推薦閱讀應用程序。演算法上，都各有難度，但閱讀類的，由於分類太多，在演算法上自然要更加復雜。

來看看網名為「派網友」的網友是怎麼說的：

個人認為無論是基於用戶行為（協同過濾），還是基於內容相似度的推薦演算法，難度從高到底都依次是：音樂-閱讀-電影。

對於ID為「樓船吹笛雨瀟瀟」網友的精彩回答，大家紛紛點贊支持，他是這么說的：

我覺得是各有所難，並不能說哪個難，哪個容易。推薦的成功率：公共決策對推薦的影響：判斷價值的建議：三者各有難度，但是個人在長期的習慣中可以對其中一種或者多種情景中加以選擇和實踐，但這也不是一蹴而就的事情，慢慢來吧。

你贊同哪位網友的觀點呢？

⑶ 基於用戶行為分析建立用戶偏好模型

基於用戶行為分析建立用戶偏好模型
我們經常將個性化推薦的思想簡單地抽象為：通過用戶的行為推測出用戶的興趣，從而給用戶推薦滿足他們興趣的物品。那我們其實就是要通過用戶行為分析建立一個用戶偏好(偏好即興趣)模型，模型中包含各個用戶的一個或更多個偏好。
插敘一段
像「用戶行為」，「用戶興趣」這樣的詞，大多數人都有一個默認的感知，甚至對於這種詞的理解可能已固化為常識，所以我很少見到有文章使用這些詞時解釋它們。我感覺涉及到演算法模型時，對這些詞的不加限定的寬泛認知就容易影響對演算法模型的深入理解，會導致感知模糊卻不自知。因為不同人對這些詞的基本理解可能一致，但是拓展理解各不相同。本文會作出限定解釋，且本文所談用戶行為都是指網路(可以是電信網路，互聯網)上的行為。
概念解釋
實體域
當我們想基於用戶行為分析來建立用戶偏好模型時，我們必須把用戶行為和興趣主題限定在一個實體域上。個性化推薦落實在具體的推薦中都是在某個實體域的推薦。比如對於閱讀網站，實體域包括所有的圖書，我們可以稱之為圖書域。其他還有，個性化音樂推薦，個性化電影推薦，個性化資訊推薦等。
用戶行為
用戶在門戶網站點擊資訊，評論資訊，在社交網站發布狀態，評論狀態，在電商網站瀏覽商品，購買商品，點評商品，以及在其他類型網站的種種行為都可是用戶行為。本文所指的用戶行為都是指用戶在某實體域上的行為。比如用戶在圖書域產生的行為有閱讀，購買，評分，評論等。
興趣主題
用戶的興趣維度，同樣是限定在某實體域的興趣，通常可以以標簽的形式來表示。比如，對於圖書閱讀，興趣主題可以是「懸疑」，「科技」，「情感」等等分類標簽。值得一提的是，興趣主題，只是從用戶行為中抽象出來的興趣維度，並無統一標准。比如qq閱讀和豆瓣閱讀的圖書分類標簽大不一樣。而興趣維度的粒度也不固定，就像門戶網站有「新聞」，「體育」，「娛樂」等一級分類，而新聞下有「國內」，「社會」，「國際」二級分類，娛樂下有「明星」，「星座」，「八卦」二級分類。我們選取什麼粒度的興趣空間取決於我們對用戶偏好模型的要求。
興趣空間
在同一層次上興趣維度的集合，比如豆瓣閱讀中，可以用「新上架」，「熱門」，「特價」，「免費」來構成一個興趣空間(當然，如果使用這個興趣空間來表徵用戶的興趣，就太粗了，這里只是假設)，也可以用「小說」，「幻想」，「計算機」，「科技」，「歷史」·····「美食」構成一個興趣空間。這是兩種不同的分類維度。如果將「新上架」也加入到後者集合里，就顯然有些莫名其妙。值得一提是，這也並非不可能，這取決於一個如何看待這個集合的問題，如果不把它看作基於內容的分類，而是圖書標簽庫，那麼也是可行的，甚至利於建立更好地模型。本文後面我有提到。
用戶行為數據
項亮在他的《推薦系統實踐》的2.1節有詳細介紹。通常在經過對行為日誌的匯總處理後生成的比較容易理解的數據就是一份描述用戶行為的會話日誌。這種日誌記錄了用戶的各種行為，比如在圖書閱讀app中這些行為主要包括點擊，試讀，購買，閱讀(在本地app中，閱讀行為有可能追蹤不到)，評分，評論。
建立用戶偏好模型
基於用戶行為分析建立用戶偏好模型的核心工作就是：將用戶的行為轉換為用戶的偏好。
我們採用矩陣運算的思維方式，以圖書閱讀為例說明。
下圖表示用戶(user)集合：
下圖表示圖書(item)集合：
那麼用戶的行為矩陣可以表達為：
行表示用戶，列表示圖書，我們暫只考慮圖書的購買行為，1表示用戶看過該圖書，0表示用戶沒有看過該圖書。
如何將上述用戶行為矩陣轉化為用戶興趣矩陣(即行代表用戶，列代表興趣維度)，一種顯著的方法是我們先確定圖書與興趣維度的對應關系矩陣。而這個的前提是我們確定了使用何種興趣空間。一種常見的方式是專家給出一些樣本的分類結果，也就是一般意義的訓練數據，然後通過分類演算法，得到分類模型，然後應用到其餘數據的分類問題當中，解決其餘大量數據的分類問題。這種分類的特點是一本圖書只被標記為一種類別，假如有3個類別，
那麼圖書-興趣矩陣為：
那麼用戶行為矩陣轉換為用戶興趣矩陣的運算公式即可表示為下圖，行表示用戶，列表示興趣，算出的矩陣再經過歸一化後，每個值就代表某個用戶在某個興趣的偏好權重。
選擇這樣的興趣空間的局限顯而易見：一本圖書只能屬於一個興趣維度。實際情況中，一本圖書通常不只屬於某個分類，並且當圖書的數據巨大時，寄希望於編輯分類可能會越來越難以維持，所以通常是由用戶主動給圖書添加標簽，或者機器基於內容，提取關鍵詞。但是這種形式得到的標簽集會存在同義，生僻，維度過多等情況，需要經過標簽清洗的重要工作。前面已經看到興趣空間的選擇真的是非常重要，直接影響所得到用戶的興趣矩陣。所以同樣的方法都得到了用戶偏好，但是好不好用，就跟這部分工作有關了。
用戶行為加權
上面展示的用戶行為矩陣示例是一個非常簡單的，直接可以從資料庫里提取的例子。而實際中在數據能夠支撐的情況下，我們不可能只考慮一種行為。為了獲得更合理的行為矩陣，我們就需要進行行為加權。比如，A1表示用戶點擊的行為矩陣，A2表示購買的行為矩陣，A3表示評分的行為矩陣，那麼加權矩陣就是：
至於各矩陣的權重跟我們建立用戶偏好模型的目的有關，如果我們更希望找准用戶的品味偏好，那麼權重可能是：a1 < a2 < a3;如果我們更希望用戶購買，那麼權重可能是：a1 < a3 < a2。
其他用戶行為分析方法
上面介紹的方法也算是一種主流的方法。但是從上面介紹的「興趣主題」，「興趣空間」也可以看出作出好的分類並不容易，分類粒度，分類維度等都不好控制，用戶打標簽也需要復雜的標簽清洗工作。在圖書，電影這樣的實體域，我們還可以通過類別給用戶推薦喜歡的物品，而在個性化資訊推薦領域(這里僅舉個例子，資訊推薦應該有其特殊之處)，我們不見得能通過類別推薦用戶喜歡的資訊，甚至用戶本身也不在意類別。我們並不需要顯式地構建物品-興趣對應關系矩陣，也可以將用戶和所喜歡類別的物品關聯起來。這就涉及到隱含語義分析技術。這個部分會日後在此文補充。
小總結
以上可以看出基於用戶行為分析的用戶偏好建模的常規方法非常簡單明了。事實上也的確如此，在使用這些方法或者思想編寫程序計算都不是什麼難事。而實際上，我們遇到的問題卻並非是方法本身，而是數據本身。數據方面的兩大問題是稀疏和長尾分布。通常有行為數據用戶很少，而用戶的行為對象也集中在不多的物品上。方法易學，而數據問題只能在實戰中才能深刻體會，才會發現主要的精力和難點都在解決數據的稀疏和長尾上。希望日後能結合實際問題寫寫解決數據問題的文章。
此外，上面雖然是用矩陣運算的思想講述，但我在實際項目中發現其運算的本質其實是對用戶行為的統計。所以在實戰中，不一定要先建矩陣，再做計算，直接在資料庫里使用sql計算非常方便。

⑷ 58同城招聘上投了簡歷會有 企業已查看，和感興趣的標簽分別是什麼意思

這是一種標記，企業已查看，是表明企業用戶已經瀏覽過您的信息了，如果感興趣，就標記為感興趣，表明公司比較滿意你。你就有面試的機會。

58同城成立於2005年12月12日，總部設在北京，在全國目前共擁有27家直銷分公司。網站定位於本地社區及免費分類信息服務，幫助人們解決生活和工作所遇到的難題。3月2日消息，58同城正式宣布並購安居客集團，交易以現金加股票的方式進行，交易金額達到2.6701億美元。

2015年4月17日，58同城發布公告稱，公司戰略入股分類信息網站趕集網。2015年5月8日宣布並購中華英才網。2015年8月7日 向萊富特佰增資持70%股份，加強汽車布局。

(4)興趣標簽計算方法擴展閱讀

網站特色

信息導航

58同城信息版塊分為房屋信息、跳蚤市場、票務、寵物、車輛買賣與服務、交友徵婚、黃頁、招聘等。

信息分類

58同城作為中國的分類信息網站，本地化、自主且免費、真實高效是58同城網的三大特色。其服務覆蓋生活的各個領域，提供房屋租售、招聘求職、二手買賣、汽車租售、寵物票務、餐飲娛樂、旅遊交友等多種生活信息，覆蓋中國所有大中城市。

同時還為商家建立了全方位的市場營銷解決方案，提供網站、直投雜志《生活圈》《好生活》、雜志展架、LED廣告屏「社區快告」等多項服務，並為商家提供精準定向推廣的多種產品，如「網鄰通」、「名店推薦」等等。

其中「名店推薦」產品首次在行業內針對網路商戶一直面臨的信用體系問題，推出「萬元先行賠付計劃」，在行業內開創先河。

58同城是國內領先的生活分類信息網站，海量生活信息免費發布查詢。提供找房子、找工作、二手物品買賣、二手車、58團購、商家黃頁、寵物票務、旅遊、交友等多種生活信息。每天千萬人使用！58同城，您身邊的生活幫手！

58同城網同時也為商業合作夥伴提供：最准確的目標消費群體、最直接的產品與服務展示平台、最有效的市場營銷效果以及客戶關系管理等多方面服務。宗旨是：為沒有工作的人，創作一個屬於自己的平台。

明星代言

自2011年4月24日起，北京的公交車和地鐵上出現了大量58同城的廣告，因《宮》而人氣暴漲的楊冪成其代言人。據業內人士分析，自優酷和當當相繼在美國上市後，中國互聯網企業赴美上市潮一直就沒有冷卻過。

58同城的廣告一出，便引起業內相關人士和媒體的各類猜想。向來低調的58同城此次化身「一個神奇的網站」，廣告詞：「這是一個神奇的網站，58同城，不用中介租房子，不用花錢招人才。58同城，一折吃喝玩樂，閑置物品能換錢，一個神奇的網站」。

發展年表

2011年4月7日，谷歌公布了2月份最新全球網站TOP1000排行榜，國外網站Facebook、Youtube、yahoo繼續占據前三甲的位置。國內網站中，開創中國搜索時代的網路位列第7。擁有超過6億用戶的qq成為國內門戶網站的領頭羊，穩居10強，位列第10。

58同城於2012年2月啟用「日租」雙拼域名rizu點com推出新平台，網站頁面僅為一張靜態圖片，但網站短租運營性質明顯。

2013年10月31日晚間，分類信息網站58同城(0, 0.00, 0.00%)2013年10月31日在紐交所掛牌上市。58同城最終確定發行價為17美元。按發行價17美元計算，58同城此次IPO估值約為13億美元。

2013年的萬聖夜，58同城正式掛牌交易了。最終發行價17美元每份ADS、開盤價21美元，首日收盤暴漲42%，為中概股此輪赴美IPO開了個好頭。

58同城成功逆襲上市，表明了其商業模式獲得了投資者的認可，更表明了姚勁波「電子商務」(招股書中提到58同城類阿里的商業模式)的概念包裝成功。同時上市過程中還有一個細節值得注意，則是58同城的發行價由13-15美元每份ADS不斷上調一直調整至17美元每份ADS，不斷上調的背後則是機構對其信心增加的過程。

2014年4月，58同城金融服務平台正式上線運營，主要涉足貸款，理財。58金融面向58同城自有平台的小微企業或個人用戶提供貸款和理財產品，其中包括車貸、房貸、個人消費貸和企業貸等其他安全高收益理財產品。58金融的合作夥伴包括銀行類機構、P2P平台、小貸等。

2014年6月28日晚間，58同城發布公告稱，已經獲得了騰訊控股有限公司7.36億美元投資，騰訊將以每股20美元的價格向58認購買36,805,000股A類和B類普通股，在本次交易完成後，騰訊控股獲得58同城完全攤薄後19.9%的股份 。根據本次戰略投資，58將有機會獲得來自騰訊QQ、微信、QQ.com以及QQ瀏覽器等各個平台的流量， 進一步加強在本地服務領域的地位。

2014年9月26日，58同城正式對外發布公告稱，58同城與北京電子城投資發展有限公司簽訂協議，宣布將斥資10.33億人民幣(1.684億美元)，購買總面積45000平米的辦公區，第一幢大樓預計在2015年10月正式投入使用。

公告顯示，新購置的辦公區將用於建設58同城北京研發總部，滿足因業務發展而不斷增長的辦公區面積需求；同時，新辦公區將作為全國業務發展的新根據地，使得公司能專注於移動互聯網、網路金融及移動應用領域的創新。

⑸ 怎麼做新媒體數據分析

目標人群的「畫像」信息提取

（1）目標人群的年齡分析

目標人群的情感需求在Censydiam動機分析模型中的反映

由上述分析可知，公眾號的粉絲的情感需求在Censydiam消費動機分析模型主要對應模型中的3個象限，即「享樂/釋放」、「舒適/安全」和「個性/獨特」。這三類情感需求象限其實對應的是三類不同的粉絲群體，所以在後續的公眾號定位及欄目規劃時需要兼顧三者的差異性需求。

好了，通過間接手段，我們獲取了目標人群的用戶畫像，了解了他們的基本特徵，這對我們進行公眾號的內容規劃、風格調性和粉絲獲取渠道都很有幫助。

然而，對於微信公眾號的定位來說，僅有上述信息是不夠的，因為我們還需要確認目標人群的閱讀偏好，知道哪些內容是他們喜聞樂見的，據此可以「投其所好」。