在寻找人的业务场景中，用户可以直接找到各个垂直类别的专家帐户，并且可以通过跟踪专家帐户直接获取各个垂直类别的高质量内容。在热门的微博业务场景中，内容流来自垂直类别的专家帐户：在发布特定类别的高质量内容之后，帐户具有初始影响力。大数据计算出其类别后，热点微博将在相应的类别中。内容推荐被暂停，并且该帐户逐渐成长为专家帐户，从而形成产品闭环。人才标签的主要功能是为各种高质量的语料库构建重要的基础数据源。专家用户组由才能标签界定，并提取相关信息AxureShop，例如高质量的语料库；在大多数情况下，人才标签不会直接显示在业务场景中。

三、人才标签挖掘框架

人才标签挖掘，即停止在用户标签系统中挖掘人才标签。详细来说，在整个用户才能标签挖掘过程中，首先是通过用户关系数据(主要是分组，用于显示粉丝对用户才能的认可)，用户内容数据(主要是原始博客帖子，用于显示用户本身)人才)，用户行为数据(主要是用于表达用户在相关领域中的影响力的交互式信息，例如转发，评论和喜欢的信息)，以挖掘出用户的人才标签及其基本权重;二，用户自我介绍填写信息和认证信息，作为人才标签权重计算的调整因子；然后通过多维定向挖掘系统和业务响应系统，停止对人才标签的校正，增加对人才标签的隐藏。最后，将挖掘的用户才能标签和权重输出到用户才能标签库，以供上层服务使用。整个挖掘框架如图4所示：

图4：用户人才标签挖掘的总体框架

四、人才标签挖掘的关键技术要点

本节主要介绍标签词聚合的三个关键技术点，用户影响力，时间窗口和人才标签挖掘中涉及的时间衰减。

标签词收集

用户的分组信息是用户贴在感兴趣对象上的标签，并作为用户关系数据引入到挖掘过程中。由于标签属于UGC，因此它将构成相同的标签主题。有很多不同的表达方式。汇总表达方法以形成标签集，并映射到我们的标签系统中，可以有效地提高人才标签的准确性和覆盖率。

首先，通过火灾模型将分组信息分为两种类型：强关系类型(同学，同事等)和兴趣类型(互联网，财务等)，而兴趣类型分组信息是我们的基本期望。

接下来，通过聚类和关联等相关算法停止标记词(分组信息)的聚合；

最后，根据相关程度等因素，聚合标签集分为高相关和低相关两类。

以Internet标记为例，汇总的最终结果如表1所示：

表1：与互联网相关的标签集

用户影响力

用户影响力是指某个标签下用户的影响力，因此影响力计算的前沿(如图5所示)是与标签相对应的感兴趣的用户组(包括标签的有才华的用户)，即组对标签对应的类别有一定了解的用户。详细地

图5：用户影响力计算边界

其中，相同类别用户的影响力是通过其他用户的交互行为(例如，按一定的权重比重新发布，评论和喜欢相关博客帖子)来计算的。所谓相关博客文章，是指用户发布的属于该标签所对应类别的原始博客文章(即带有内容标签的原始博客文章，属于大数据内容团队，以及相关文章将在后面介绍。

时间窗口和时间衰减

关于原始博客文章的消费价值和计算成本的思考。关于用户内容数据，我们选择了用户最近一段时间的原始博客帖子作为基本语料库来终止计算。

关于时间衰减，我们根据牛顿冷却定律和微博的业务需求推导了相应的衰减公式，并在比较了衰减效果后，确定了相关衰减参数的值，最后得到了含量的权重。用户才能标签的时间衰减功能，如图6所示。

图6：用户才能标签内容权重衰减函数

五、摘要

目前，我们主要识别用户的才能标签，并根据社会关系，原始内容和影响力三个维度计算相应的权重。同时Axure高保真原型，用户的自填信息，认证信息等信息停止调整。对于某些特定的垂直类别或具有明显特征的某些类型的用户组，我们通过有针对性的挖掘系统暂停处理，然后将它们集成到最终用户人才标签库中以暂停输出。

关于用户才能标签，受到用户兴趣标签影响的上层业务正变得越来越普遍，它所依赖的数据也变得更加复杂和多变。在下一系列用户肖像文章中，我们将详细介绍用户兴趣标签的挖掘过程。

本文采用“ CC BY-SA4.0 CN”协议来复制学习交流，内容的版权属于原作者，如果涉及著作，版权等问题，请联系“我们”来处理。

本文的关键字：用户标记能力信息的数据挖掘

Sugeike是新一代的用户行为分析和数据智能平台。它支持16种分析模型的数据分析产品，包括用户数据分析，操作数据分析，保留分析，路径分析，渠道分析，用户画像，SEM数据分析等。支持网站统计，网站分析demo，APP统计，APP分析和其他分析工具以及诸如会员营销系统和A / B测试工具之类的数据智能应用程序，支持SAAS和私有化部署用户画像标签，提高了用户保留率和转换率，并实现了数据驱动的增长！