編輯導讀：用戶标簽是精細化運營的基礎，能有效提高流量的分發效率和轉化效率。用戶由标簽組成，但是這些标簽打那些緯度标簽？由誰來打？怎麼打标簽？本文作者對此展開了分析探讨，一起來看看~

标簽，主要的作用就是用于商品識别，用來标志産品目标、分類、内容等。标簽按照存在形式分，可分實物标簽、網絡标簽（tag）等。

（1）實物标簽

主要用于标明物品的品名、重量、體積、用途等信息的簡要标牌。有傳統的印刷标簽和現代條碼打印标簽。

适用範圍：包裝：唛頭标簽、郵政包裹；商品：價格标簽、産品說明标簽；

（2）網絡标簽（tag）

它是一種互聯網内容組織方式，是相關性很強的關鍵字，幫助人們輕松的描述和分類内容，以便于檢索和分享，Tag已經成為自web 2.0以來的重要元素。

今天我們就來聊聊網絡标簽，let’s go

背景

假設一個場景：老闆把你叫到辦公室，讓你做一套标簽體系，你會怎樣推進？

常規思路：調研市場上同類型産品做法→通過各種渠道，拿到标簽體系結構（或者利用爬蟲爬取标簽體系數據）→直接套用過來→人工達标、模型訓練→形成自有标簽體系

這是一種快速便捷的方案，但是埋了很多隐性的“坑”，稍不留神就會被坑。

1. 不同平台内容體量有差異，内容調性與用戶調性亦有差異，完全照搬内容标簽體系，弊大于利。
2. 标簽體系不完善，不适合自有内容生态，就花費大量人力、物力來做，勞民傷财。

怎樣躲“坑”？那得學會靈活運用他人的體系

當拿到搭建标簽體系的任務，首先想到有兩個方案

方案一：調研同類型産品做法，直接套用其分類标簽體系

優點：簡單、高效

缺點：不完全适合自有内容生态

方案二：爬取同類産品内容數據，進行無監督訓練，輸出分類标簽結果。

優點：可以更好的了解内容生态中内容分布情況，制定合理的分類标簽體系。

缺點：時間周期長，成本高

不管方案一還是方案二，得到的都隻是初版标簽體系标準（比如一二級分類體系标準），隻能用做建立底層分類标簽，離标簽體系建立還有一段露要走。

當有了底層分類标簽，可以在此基礎上進行多維度标簽建構：

……

多維度标簽有了，怎樣讓内容打上這些标簽？

1. 充分調用用戶生産力，讓作者打标

我們都知道，豆瓣将打标的權利下放給用戶，在上傳文章、寫電影評論都可選擇或手填标簽，對于内容平台來說，這是一筆巨型财富。但是由于用戶能力水平有高有低，打出的标簽需要進行清洗、消歧等操作後才能使用。

一些資訊平台、視頻平台，作者發布文章時，也會讓作者選擇、填寫内容标簽，比如趣頭條、B站等。

B站發文頁面

問題點：用戶手動填寫的标簽沒有統一标準，标簽名稱不規範，無法直接使用。筆者拉出所在公司作者手填tag，利用率也就50%-60%左右，需要人工進行标簽分類，比如篩選出實體标簽、概念标簽、風格标簽等。

2. 人工打标

作者手動填寫tag，隻能作為tag體系補充的一環，且利用率有限。因此，專門的标注同學、真實用戶打标，是必不可少的一環，更好的保證标簽可用率與準确率。

調動用戶生産力，讓真實用戶打标簽，不知大家有沒有用過。把打标僞裝成用戶活動，既是用戶運營的手段，也是标簽生産的手段，利用用戶運營的思路來生産标簽，好處多多。

我們來算筆賬——

假設日活用戶1000萬，圈出100萬用戶做活動，預計每日參與活動用戶20w，真正完成答題用戶7w-8w，剔除無效數據，最終可用數據可以有10w左右，平均成本可靈活調控。

如果找專人一天标注10w數據，按照人效1500來算（上限值），那麼就需要66個人，人力成本一天也得大幾萬。

對比來看，調動用戶生産力，優勢不言而喻。

第一步：洞察用戶

• 人口學特征：性别、年齡、職業等
• 地理位置特征：所在城市，城市等級
• 活躍行為特征：最近60天、30天、14天、7天等活躍天數
• 閱讀行為特征：最近60天、30天安、14天、7天等閱讀視頻、圖文次數、時長。

通過這些不同維度的用戶數據，讓你對用戶做個深度剖析，找到你需要的那部分用戶。

第二步：吸引用戶

将打标簽的項目僞裝成用戶活動，比如要進行影視劇劇名打标，可以開展一個“看視頻猜劇名”的活動。比如要進行相似圖片标注 ，可以開展一個“看圖片找不同”的活動。

怎樣做好僞裝，吸引用戶參與？

1. 活動名稱接地氣，要點突出，直接要害
2. 設計有看點的活動banner
3. 做好答題頁面交互體驗設計
4. 充分利用金币、獎金競品激勵

第三步：服務用戶

當把用戶吸引進來之後，需要為它們做好服務，提升活躍留存。

1. 定期監測參與活動用戶質量，剔除羊毛黨、質量低用戶。
2. 制定獎懲機制
3. 收集用戶反饋，對于有用建議及時響應。
4. 由于項目具有周期性，做好用戶召回（利用psuh、站内信等手段觸達召回）

再多說一句，當把這套流程機制中台化，可以滿足不同業務場景需求，對于用戶促活、标簽打标等具有很強的實操價值。

3. 模型訓練

常規的模型訓練流程很簡單，大緻分為五個環節：

标準制定→樣本标注→模型訓練→數據評測→上線

随着業務需求增加，對于模型叠代效率要求越來越高，普通的模型訓練流程太繁瑣，需要跨部門溝通，費時費力，因此，搭建一套模型訓練自動化平台顯得尤為重要，對于簡單的模型，可以由運營或者産品協調标注，快速訓練、叠代模型，提升效率。

這裡簡單聊聊模型自動化訓練平台的搭建，或有不足之處，大家一起交流學習。

平台工具可分四大模塊：數據處理、模型訓練、數據集打分、模型對比

模塊一：數據處理（整合數據獲取、數據處理兩個小模塊）

（1）數據獲取

1）内部獲取

1. 來自内部，整合已有工具，平台加上工具跳轉入口；利用sql自行獲取想要樣本标注數據。
2. 來自内部，算法側提供相應樣本标注數據

2）外部獲取

根據具體需求，制定内容爬取方案，瞭望爬取相應内容（圖文、視頻、小視頻等全體裁），需要入庫，支持輸入标注平台、衆包進行數據标注。

（2）數據處理

1. 針對内外部獲取的數據集，支持輸入标注平台、衆包進行标注，輸出有效标注樣本數據集
2. 針對衆包、标注平台輸出的有效标注樣本數據集，需要有個樣本管理配置平台，進行數據處理，然後将數據直接推送至對應模型進行訓練。

模塊二：模型訓練

1. 算法提供每個需求所需模型
2. 選定所需模型，輸入有效标注數據集進行訓練
3. 支持配置選擇模型參數，比如，基于神經網絡模型，一般可以叠代訓練輪數、學習率、網絡層數、向量寬度、選擇的優化器等。
4. 支持增量與全量任務訓練，訓練狀态可視化，便于及時掌握訓練情況
5. 建立監控報警機制，訓練狀态異常時觸發，保證訓練狀态正常。

模塊三：數據集打分

1. 已經訓練完畢的模型，輸入測試集、驗證集數據，輸出P\R\F1值
2. 輸出P\R\F1值後，再次輸入人工評測數據集，輸出評測數據結果，人工離線評測，輸出準召率。

模塊四：模型對比

對于準召率達标不同版本模型進行留檔記錄，便于對比叠代前後模型效果

• 對比維度：模型版本号、訓練完成時間、P\R\F1值、人工評測準召率等

通過作者打标、用戶打标、模型訓練等方式，輸出了各個維度内容标簽，存儲于标簽庫中，為各業務場景提供底層數據支持。

本文由 @珂然 原創發布于人人都是産品經理，未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部