内容社区，为什么有必要做内容标签系统？

社区内容量很大时，内容曝光有限，非常影响社区作者创作的积极性。为了解决内容曝光有限的问题，内容标签系统不失为一种有效的解决方案。本文结合一些案例来探讨，做内容标签系统的必要性。

一、问题背景

社区产品中，在内容量大的情况下，曝光数量和内容总量相比，是十分有限的，对社区作者很不利。

我们以一个案例来分析一下，曝光有限对作者的严重危害。

某社区起步时有1千个作者，发展两年后，作者变为原先的100倍，也就是10万。每一位作者的每天能发布数量都在一个正常范围内，即人均发布数量一定。

刚起步时，社区的作者数量是较少的，因此每天的内容新增量也少。在社区中发布后，非常容易被曝光到读者用户，被用户阅读互动。

当作者变为10万后，人均发布数量一定时，对应每天的内容新增量变为原先的100倍。虽然读者的用户量也有一定比例增长，但由于内容新增量更多了，每个作者发布的内容被曝光的机会，会变得更加稀有和珍贵。一旦曝光需求没有得到满足，作者就无法收到读者的阅读互动反馈，也就无法形成正向激励。

我们知道，看一个社区的价值，可以是看作者的规模及质量。比如YY直播，看的是主播；知乎，看的是大V等回答者；B站视频，看的是UP主。

一个无法满足作者曝光需求的社区，无疑会导致作者粘性降低，非常容易流失，甚至跑去竞争对手的平台。

二、标签的定义

为了解决内容曝光有限的问题，内容标签系统不失为一种有效的解决方案。

内容标签系统，是用若干关键词来描述内容特征。它适用于内容量大的社区产品，用来改善内容曝光。

三、标签如何改善曝光

标签是如何解决曝光有限的问题呢？基于标签的推荐，可以有效让内容曝光至对应的目标用户。

必须明白的是，我们解决曝光有限的问题，不是为了曝光而曝光。而是希望，将内容准确地推荐至目标用户，让目标用户消费，并作出正向反馈，给到社区作者，从而维持社区作者的创作积极性。

在内容量大的社区产品中，存在信息过载，而读者的内容需求是多种多样的、不断细分的。因此，内容消费方式需要从原先由用户主动获取，转变为以推荐为主的被动获取。从千人一面，转变为千人千面。

标签有3种典型的推荐应用场景，可以改善曝光，分别是:新用户内容推荐、相关内容推荐、个性化内容推荐。

1. 基于标签的新用户内容推荐

社区产品中，每天都有大量的新增用户。

新用户在注册时，选择自己感兴趣的内容标签，在使用产品时，就可以将相同标签的内容推荐给新用户。

不同用户选择标签的不同，因此，推荐给用户的内容也不同。这样，可以让更多内容有曝光给新用户的机会，提升曝光覆盖率。（曝光覆盖率=被曝光的内容数/内容总量）

以小红书为例，新用户注册时，选择感兴趣的内容标签后，如“时尚”“护肤”“明星”“彩妆”。完成注册后，生成“时尚”“护肤”“明星”“彩妆”相关的内容首页和标签频道栏。

2. 基于标签的相关内容推荐

在功能设计上，在内容详情页显示该内容的标签，当用户希望看相同标签下的更多内容时，只需点击标签，即可曝光更多内容。在看接下来的内容时，用户又通过其他标签看了其他的内容，形成一级一级的扩散，形成的是网络裂变式的曝光。

标签在这个体系中通过以下方式发挥作用：标签形成了曝光路径。

单个标签可以让内容与内容之间的形成直接连接，而推广到一个完整的标签系统可以让全体内容形成一个内容网络。也可称为“知识图谱”，内容与内容之间，通过有限数量的标签，即可互相找到。

如图，用户看了内容1，通过标签A找到内容2，接着通过标签B找到内容3。本来内容1和内容3是没有任何联系的，而通过标签A和标签B，让用户间接找到了内容3，实现了内容3的有效曝光。当然了，还有其他曝光路径，也能让用户从内容1到内容3。

如人人都是产品经理社区，以我发布的《以图片社区为例，如何利用热度算法做内容质量评估》文章为例，文章末尾显示标签“热度算法”。用户点击“热度算法”，带有“热度算法”的其他文章就会得到曝光。如此，用户在其他文章中，也通过相同的方式，实现看了又看。

3. 基于标签的个性化内容推荐

在热度算法一文中，我们知道了热度高代表受用户欢迎，热度高的头部内容能够充分被曝光给用户。然而，在头部内容之下，是占内容总量最大比例的腰尾部内容。这些内容中，不乏存在优质和潜力的内容。如果没有把这些内容曝光，其实是很大的浪费。

基于标签的个性化内容推荐是，内容通过标签生成内容特征，和用户偏好相匹配，这是一种千人千面的内容分发方式。这样，原先未被用户发现的大量腰尾部内容，就可以被推荐给适合的用户，实现了更多内容的曝光。

标签是如何为个性化推荐服务的呢？我们要知道，标签是描述内容本身的特征，是附属于内容的元数据，它可以被结构化，被计算出对应的权重分值。这个的大用就在于，内容对应的标签是有轻重程度之分的。因此不同的内容，除了带不同的标签容易区分外，带相同的标签，也能通过标签权重分值区分出内容特征的轻重程度。

最简单的算法模型思路是：

步骤1：通过运营手段或自动规则，生成内容特征向量（Tag1，Tag2，Tag3）=（分值1,分值2,分值3）
步骤2：通过用户行为数据，生成用户偏好向量（Tag1，Tag2，Tag3）=（分值1,分值2,分值3）
步骤3：计算相关度=余弦相似度=cos<内容特征，用户偏好>。两个向量的夹角越小，表示内容和用户偏好更相关
步骤4：由此生成每个用户不同的内容排序列表，实现了个性化推荐

王诗沐老师，曾在混沌大学分享过：网易云音乐不是第一家做推荐的，但我们把推荐做到了极致，把推荐算法应用到了所有用户发现音乐的场景，这在国内属于第一家。其中，以标签为底层逻辑的个性化推荐，实现了千人千面的曝光，把所谓的小众冷门音乐推荐给了适合的用户，也能引起强烈共鸣。

四、总结

对于内容量大的内容社区，曝光有限是会严重影响作者的创作积极性。本文提出的内容标签系统，正是为了解决这个问题背景而存在。

内容标签系统，可以应用于3个内容推荐场景：新用户内容推荐、相关内容推荐和个性化内容推荐。在不同的场景中，标签发挥着不同的角色，最终都带来了更多内容的曝光。

标签不仅适用于内容社区，对于其他类型的产品，也有很大的应用空间。如果你的产品适合做标签，不妨试试吧。