1704850133
• 简短评论：最高门槛的评判，深度用户沉淀内容。
1704850134
1704850135
当然，对断物而言，标签体系也有它力有未逮的地方，并不一定适合所有场景。
1704850136
1704850137
在上面的案例中，标签适合的是文字表意歧义较小、可以枚举的类型。但在某些领域，标签很难准确地表意或概括。比如，你怎样给人介绍什么是爵士乐？“余音绕梁”“节奏感十足”等，似乎都不能准确传递爵士乐的特点。又如，怎样定义一个人是帅的或漂亮的？大家各有各的标准，很难达成统一。
1704850138
1704850139
在这种情况下，我们需要引入聚类的方式来描述。这种方式并不是以标签词的方式来定义事物是怎样的，而是基于某一维度的特征将相关物品组成一个集合，并告诉你这个新的物品同哪个集合相似。比如，一段藏獒捕食的视频，会同动物世界里猛兽捕食的内容聚为一类，而不会同家猫捕捉老鼠的内容聚为一类。
1704850140
1704850141
在图2–6中，一则汽车降价促销的内容，就同多条汽车销售的内容一起被系统聚合成一类。
1704850142
1704850143
待聚类内容：英朗XT降2.6万 贷款购车免息送油卡
1704850144
1704850145
马自达CX–7现金最高直降2万元
1704850146
1704850147
别克君越现金最高直降3.6万元 现车销售
1704850148
1704850149
沃尔沃V40现金最高直降5万元 现车销售
1704850150
1704850151
揽胜极光促销，置换再享优惠
1704850152
1704850153
图2–6 内容聚类示例
1704850154
1704850155
识人
1704850156
1704850157
与“断物”相对应，我们可以直观地把“识人”理解为给目标用户贴标签的过程，通过标签来描述一个用户的特征集合。
1704850158
1704850159
图2–7就是一个用户在豆瓣FM（豆瓣音乐的频道之一）上的音乐基因名片（用户画像）。如页面中的介绍，豆瓣FM基于用户的红心歌曲、专辑收藏记录进行计算，从而得出记录用户音乐喜好的歌手和风格列表的标签云，标签的尺寸越大代表用户对这个类型的音乐越感兴趣（如果你也想测试一下自己的音乐基因，请访问：https://douban.fm/musicgene）。
1704850160
1704850161
1704850162
1704850163
1704850164
图2–7 某用户在豆瓣FM上的音乐基因名片
1704850165
1704850166
通常，用户画像有三类主要应用场景：
1704850167
1704850168
（1）精准广告营销。用户画像对广告营销来说是最典型的应用场景。当给用户打上各种维度的标签之后，广告主就能够借助这些标签来圈定用户，以便更有效率地触达目标人群。我们以脸谱网的广告投放系统为例，广告主可以选择地域范围、年龄范围、性别、兴趣标签等。通过选择这一系列标签，系统也会实时反馈给广告主目前框定的候选人数。
1704850169
1704850170
（2）行业研究。借助用户画像，我们可以了解不同行业的动态进展。比如，90后、00后的购物娱乐消费分析，不同地域用户的消费差异分析，特定行业中用户的消费特点，等等。通常，平台会定期发布此类报告，帮助内外部人士更好地了解细分领域的最新特点。比如，在腾讯大数据（http://bigdata.qq.com/reports）上，你就可以查看到过往发布的行业研究报告。不久前，引发坊间争论的“成功人士用华为，普通人士用iPhone”，就出自于此。
1704850171
1704850172
（3）产品效率优化。信息匹配是最典型的场景，无论是国内的今日头条、淘宝，还是国外的YouTube、脸谱网，其平台都是基于用户的画像信息来优化推荐排序，以实现人和信息的高效匹配，从而提升效益、降低成本的。据Netflix估算，个性化推荐系统每年为它的业务节省的费用高达10亿美元。
1704850173
1704850174
坊间传闻，基于用户画像的推荐排序还有一些灰色的应用：比如真假货混发，罗振宇在跨年演讲“时间的朋友”中提到，某不良商家会根据用户的收货地址来预估用户的认知水平，从而决定是发送真货、高仿，还是假货；又比如价格歧视，同样一件商品添加进购物车后，不同的用户可能会收到不同的后续反馈，价格敏感型的用户更容易收到优惠券。
1704850175
1704850176
我们通常将用户画像数据划分为静态和动态两类。
1704850177
1704850178
静态用户画像数据：用户独立于产品场景之外的属性，如性别、学历、年龄、婚育状况、常住位置、教育程度等。这些信息往往相对稳定，可通过第三方联合登录、用户表单填写等方式获取。静态数据通常具有统计性意义，比如常住位置在某高档小区的用户可能付费能力更强，女性用户可能冲动性消费更多等。
1704850179
1704850180
动态用户画像数据：用户在产品场景中所产生的显式或隐式行为。显式行为包括对某篇内容点赞、评论、分享，关注了某个作者等。在众多显式行为中，由于产品场景的不同，不同行为的权重也不相同（如对于电商场景，购买的权重>购物车的权重>查看的权重）。隐式行为包括在某页面的停留时长、用户的操作行为轨迹等。通常，显式行为的权重要高于隐式行为，但是由于显式行为更稀疏，所以需要隐式行为来补充验证。
1704850181
1704850182
以下是一些常见的静态或动态用户画像数据：