搭建标签体系，学会让用户为你干活
用户标签是精细化运营的基础，能有效提高流量的分发效率和转化效率。用户由标签组成，但是这些标签打那些纬度标签？由谁来打？怎么打标签？本文作者对此展开了分析探讨，一起来看看~
标签，主要的作用就是用于商品识别，用来标志产品目标、分类、内容等。标签按照存在形式分，可分实物标签、网络标签（tag）等。
（1）实物标签
主要用于标明物品的品名、重量、体积、用途等信息的简要标牌。有传统的印刷标签和现代条码打印标签。
适用范围：包装：唛头标签、邮政包裹；商品：价格标签、产品说明标签；
（2）网络标签（tag）
它是一种互联网内容组织方式，是相关性很强的关键字，帮助人们轻松的描述和分类内容，以便于检索和分享，Tag已经成为自web 2.0以来的重要元素。
今天我们就来聊聊网络标签，let’s go
背景
假设一个场景：老板把你叫到办公室，让你做一套标签体系，你会怎样推进？
常规思路：调研市场上同类型产品做法→通过各种渠道，拿到标签体系结构（或者利用爬虫爬取标签体系数据）→直接套用过来→人工达标、模型训练→形成自有标签体系
这是一种快速便捷的方案，但是埋了很多隐性的“坑”，稍不留神就会被坑。
- 不同平台内容体量有差异，内容调性与用户调性亦有差异，完全照搬内容标签体系，弊大于利。
- 标签体系不完善，不适合自有内容生态，就花费大量人力、物力来做，劳民伤财。
怎样躲“坑”？那得学会灵活运用他人的体系
当拿到搭建标签体系的任务，首先想到有两个方案
方案一：调研同类型产品做法，直接套用其分类标签体系
优点：简单、高效
缺点：不完全适合自有内容生态
方案二：爬取同类产品内容数据，进行无监督训练，输出分类标签结果。
优点：可以更好的了解内容生态中内容分布情况，制定合理的分类标签体系。
缺点：时间周期长，成本高
不管方案一还是方案二，得到的都只是初版标签体系标准（比如一二级分类体系标准），只能用做建立底层分类标签，离标签体系建立还有一段露要走。
当有了底层分类标签，可以在此基础上进行多维度标签建构：
- 情感化标签
- 风格标签
- 实体标签
- 概念标签
……
多维度标签有了，怎样让内容打上这些标签？
1. 充分调用用户生产力，让作者打标
我们都知道，豆瓣将打标的权利下放给用户，在上传文章、写电影评论都可选择或手填标签，对于内容平台来说，这是一笔巨型财富。但是由于用户能力水平有高有低，打出的标签需要进行清洗、消歧等操作后才能使用。
一些资讯平台、视频平台，作者发布文章时，也会让作者选择、填写内容标签，比如趣头条、B站等。
B站发文页面
问题点：用户手动填写的标签没有统一标准，标签名称不规范，无法直接使用。笔者拉出所在公司作者手填tag，利用率也就50%-60%左右，需要人工进行标签分类，比如筛选出实体标签、概念标签、风格标签等。
2. 人工打标
作者手动填写tag，只能作为tag体系补充的一环，且利用率有限。因此，专门的标注同学、真实用户打标，是必不可少的一环，更好的保证标签可用率与准确率。
调动用户生产力，让真实用户打标签，不知大家有没有用过。把打标伪装成用户活动，既是用户运营的手段，也是标签生产的手段，利用用户运营的思路来生产标签，好处多多。
我们来算笔账——
假设日活用户1000万，圈出100万用户做活动，预计每日参与活动用户20w，真正完成答题用户7w-8w，剔除无效数据，最终可用数据可以有10w左右，平均成本可灵活调控。
如果找专人一天标注10w数据，按照人效1500来算（上限值），那么就需要66个人，人力成本一天也得大几万。
对比来看，调动用户生产力，优势不言而喻。
第一步：洞察用户
- 人口学特征：性别、年龄、职业等
- 地理位置特征：所在城市，城市等级
- 活跃行为特征：最近60天、30天、14天、7天等活跃天数
- 阅读行为特征：最近60天、30天安、14天、7天等阅读视频、图文次数、时长。
通过这些不同维度的用户数据，让你对用户做个深度剖析，找到你需要的那部分用户。
第二步：吸引用户
将打标签的项目伪装成用户活动，比如要进行影视剧剧名打标，可以开展一个“看视频猜剧名”的活动。比如要进行相似图片标注 ，可以开展一个“看图片找不同”的活动。
怎样做好伪装，吸引用户参与？
- 活动名称接地气，要点突出，直接要害
- 设计有看点的活动banner
- 做好答题页面交互体验设计
- 充分利用金币、奖金竞品激励
第三步：服务用户
当把用户吸引进来之后，需要为它们做好服务，提升活跃留存。
- 定期监测参与活动用户质量，剔除羊毛党、质量低用户。
- 制定奖惩机制
- 收集用户反馈，对于有用建议及时响应。
- 由于项目具有周期性，做好用户召回（利用psuh、站内信等手段触达召回）
再多说一句，当把这套流程机制中台化，可以满足不同业务场景需求，对于用户促活、标签打标等具有很强的实操价值。
3. 模型训练
常规的模型训练流程很简单，大致分为五个环节：
标准制定→样本标注→模型训练→数据评测→上线
随着业务需求增加，对于模型迭代效率要求越来越高，普通的模型训练流程太繁琐，需要跨部门沟通，费时费力，因此，搭建一套模型训练自动化平台显得尤为重要，对于简单的模型，可以由运营或者产品协调标注，快速训练、迭代模型，提升效率。
这里简单聊聊模型自动化训练平台的搭建，或有不足之处，大家一起交流学习。
平台工具可分四大模块：数据处理、模型训练、数据集打分、模型对比
模块一：数据处理（整合数据获取、数据处理两个小模块）
（1）数据获取
1）内部获取
- 来自内部，整合已有工具，平台加上工具跳转入口；利用sql自行获取想要样本标注数据。
- 来自内部，算法侧提供相应样本标注数据
2）外部获取
根据具体需求，制定内容爬取方案，瞭望爬取相应内容（图文、视频、小视频等全体裁），需要入库，支持输入标注平台、众包进行数据标注。
（2）数据处理
- 针对内外部获取的数据集，支持输入标注平台、众包进行标注，输出有效标注样本数据集
- 针对众包、标注平台输出的有效标注样本数据集，需要有个样本管理配置平台，进行数据处理，然后将数据直接推送至对应模型进行训练。
模块二：模型训练
- 算法提供每个需求所需模型
- 选定所需模型，输入有效标注数据集进行训练
- 支持配置选择模型参数，比如，基于神经网络模型，一般可以迭代训练轮数、学习率、网络层数、向量宽度、选择的优化器等。
- 支持增量与全量任务训练，训练状态可视化，便于及时掌握训练情况
- 建立监控报警机制，训练状态异常时触发，保证训练状态正常。
模块三：数据集打分
- 已经训练完毕的模型，输入测试集、验证集数据，输出P\\R\\F1值
- 输出P\\R\\F1值后，再次输入人工评测数据集，输出评测数据结果，人工离线评测，输出准召率。
模块四：模型对比
对于准召率达标不同版本模型进行留档记录，便于对比迭代前后模型效果
- 对比维度：模型版本号、训练完成时间、P\\R\\F1值、人工评测准召率等
通过作者打标、用户打标、模型训练等方式，输出了各个维度内容标签，存储于标签库中，为各业务场景提供底层数据支持。
本文由 @珂然 授权发布于微推客，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
