权重计算方法
用户画像几乎是每一个互联网公司都会提到的一个课题，其本质上是由用户的一系列标签拼凑而成的。对于标签，我们习惯将其分为客观属性标签、交易消费标签和用户习惯标签。
客观属性标签
通常是用户的一些静态属性标签，如性别、年龄、地理位置等等，这些属性一般是不会轻易改变的，可以从用户注册信息获取或者根据用户行为推算；
交易消费标签
通常是用户的一些交易、消费、收藏行为的标签，如购买力、交易高低频等等，这些属性可以从各种日志和记录信息中推算得出；
用户习惯标签
通常是用户的一些偏好、习惯类的标签，如偏好的产品种类、偏好习惯等等，这些属性同样从日志中推算得出；
用户标签组成
我们举栗来说，一个人访问网站，产生一系列信息，大致就是什么时间、什么地点、什么人、干了什么，清洗数据后得到如下表（虚拟数据）：
用户标签的判断
我们的目的是判断A用户的搜索产品偏好，看用户更偏向哪种产品，以支持后续用户推荐、页面改善等等。可以看到用户A对多种产品进行了多次搜索、收藏和取消收藏等操作，判断用户对不同产品的偏好，需要给各个标签打上相应的权重。
标签权重也可以分为两部分来看，一是该标签的用户权重，就单纯的考虑用户与标签的关系；二是在客观权重的基础上，结合业务场景，再得到真正的标签权重。判断用户权重的方法很多，我们采用的是TF-IDF算法。
TF-IDF的原理简单解释就是一种经常被用于判断文章摘要的算法。
TF：词频，指的是某一个给定的词语在该文件中出现的频率，如果一个词条在一类文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，数学表示：
IDF：逆向文件频率，是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取以10为底的对数得到,简单来说，就是看这个词语的稀缺程度，数学表示
这样说可能还是有点抽象，举例来说，我们现在想看一个文章中的关键词，大家第一想到的一定是词语在文章中出现的次数，这就是TF（词频）。但是光考虑词频是不够的，因为不同关键词出现的次数可能是一样的，并且有些词本身出现的概率就很大，所以我们还需要看这个词语的IDF(逆向文件频率)，去评价它的重要性；
结合我们的例子：A用户食品标签
tf=（3+2+7）/（3+2+3+4+5+2+7+1）=0.44
这个例子因为只列了一个客户，所以不是很恰当，实际上可以认为食品idf=log(所有标签所有用户之和/所有包含食品标签的用户)，各位如果有兴趣，可以自己重新编写数据算一算；
最后，所谓TF-IDF，也就是TF*IDF，可以预想得到，如果一个标签常出现，是高频词，且这个标签在整体标签中属于低频标签，TF-IDF的权重一定更高，即与用户关系一定更为紧密。
至此，我们得到了标签的用户权重，它实际上反应了与用户的关联程度；但是实际业务中我们往往不可能直接利用，毕竟算法还是需要结合实际业务才行。
通常情况下，我们还需要考虑时间、用户行为等因素，即：用户标签权重=行为权重*衰减因子*行为次数*TF-IDF。
行为权重
用户对同种产品产生不同行为，例如搜索、购买、收藏、分享这几种行为的行为权重一定是不一样的，例如将取消、跳出等等行为列为负值，具体的行为权重可以参考网上案例或者根据业务场景决定;
衰减因子
一般考虑时间，例如去年发生的行为和今年发生的行为应该是有衰减逻辑在里面的，通常的做法是参考牛顿冷却定律；当然如果周期小或业务场景稳定，例如TOB的产品，也可以选择忽略这个因素；
行为次数
一般来说，不同的行为次数决定了用户的偏好程度，用户行为越多，对偏好影响就越大；
用户标签权重的应用
根据上面所说的判断方式，我们最终会得到用户搜索产品偏好的各个标签权重值，对数据归一化后排序，可以得到用户最为偏好的标签，同时可以得到每个用户的各个标签权重的分布，从而进行用户划分；用户A的食品权重为0.72，所以用户A的搜索产品偏好标签为食品，即用户更倾向搜索食品。
当然，判断标签权重的方式有很多，比如数据矩阵、BM25等方式也有很不错的效果。具体问题需要具体分析，且真实场景中还需要考虑更多的条件，以此方法，仅供参考与指教。
编辑/图片：April
