編輯導讀：用戶標籤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。用戶由標籤組成，但是這些標籤打那些緯度標籤？由誰來打？怎麼打標籤？本文作者對此展開了分析探討，一起來看看~
標籤，主要的作用就是用於商品識別，用來標誌產品目標、分類、內容等。標籤按照存在形式分，可分實物標籤、網絡標籤（tag）等。
（1）實物標籤
主要用於標明物品的品名、重量、體積、用途等信息的簡要標牌。有傳統的印刷標籤和現代條碼打印標籤。
適用範圍：包裝：嘜頭標籤、郵政包裹；商品：價格標籤、產品說明標籤；
（2）網絡標籤（tag）
它是一種互聯網內容組織方式，是相關性很強的關鍵字，幫助人們輕鬆的描述和分類內容，以便於檢索和分享，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標籤，let’s go
背景
假設一個場景：老闆把你叫到辦公室，讓你做一套標籤體系，你會怎樣推進？
常規思路：調研市場上同類型產品做法→通過各種渠道，拿到標籤體系結構（或者利用爬蟲爬取標籤體系數據）→直接套用過來→人工達標、模型訓練→形成自有標籤體系
這是一種快速便捷的方案，但是埋了很多隱性的“坑”，稍不留神就會被坑。
- 不同平臺內容體量有差異，內容調性與用戶調性亦有差異，完全照搬內容標籤體系，弊大於利。
- 標籤體系不完善，不適合自有內容生態，就花費大量人力、物力來做，勞民傷財。
怎樣躲“坑”？那得學會靈活運用他人的體系
當拿到搭建標籤體系的任務，首先想到有兩個方案
方案一：調研同類型產品做法，直接套用其分類標籤體系
優點：簡單、高效
缺點：不完全適合自有內容生態
方案二：爬取同類產品內容數據，進行無監督訓練，輸出分類標籤結果。
優點：可以更好的瞭解內容生態中內容分佈情況，制定合理的分類標籤體系。
缺點：時間週期長，成本高
不管方案一還是方案二，得到的都只是初版標籤體系標準（比如一二級分類體系標準），只能用做建立底層分類標籤，離標籤體系建立還有一段露要走。
當有了底層分類標籤，可以在此基礎上進行多維度標籤建構：
……
多維度標籤有了，怎樣讓內容打上這些標籤？
1. 充分調用用戶生產力，讓作者打標
我們都知道，豆瓣將打標的權利下放給用戶，在上傳文章、寫電影評論都可選擇或手填標籤，對於內容平臺來說，這是一筆巨型財富。但是由於用戶能力水平有高有低，打出的標籤需要進行清洗、消歧等操作後才能使用。
一些資訊平臺、視頻平臺，作者發佈文章時，也會讓作者選擇、填寫內容標籤，比如趣頭條、B站等。
B站發文頁面
問題點：用戶手動填寫的標籤沒有統一標準，標籤名稱不規範，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，需要人工進行標籤分類，比如篩選出實體標籤、概念標籤、風格標籤等。
2. 人工打標
作者手動填寫tag，只能作為tag體系補充的一環，且利用率有限。因此，專門的標註同學、真實用戶打標，是必不可少的一環，更好的保證標籤可用率與準確率。
調動用戶生產力，讓真實用戶打標籤，不知大家有沒有用過。把打標偽裝成用戶活動，既是用戶運營的手段，也是標籤生產的手段，利用用戶運營的思路來生產標籤，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。
如果找專人一天標註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，調動用戶生產力，優勢不言而喻。
第一步：洞察用戶
- 人口學特徵：性別、年齡、職業等
- 地理位置特徵：所在城市，城市等級
- 活躍行為特徵：最近60天、30天、14天、7天等活躍天數
- 閱讀行為特徵：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
將打標籤的項目偽裝成用戶活動，比如要進行影視劇劇名打標，可以開展一個“看視頻猜劇名”的活動。比如要進行相似圖片標註 ，可以開展一個“看圖片找不同”的活動。
怎樣做好偽裝，吸引用戶參與？
- 活動名稱接地氣，要點突出，直接要害
- 設計有看點的活動banner
- 做好答題頁面交互體驗設計
- 充分利用金幣、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。
- 定期監測參與活動用戶質量，剔除羊毛黨、質量低用戶。
- 制定獎懲機制
- 收集用戶反饋，對於有用建議及時響應。
- 由於項目具有周期性，做好用戶召回（利用psuh、站內信等手段觸達召回）
再多說一句，當把這套流程機制中臺化，可以滿足不同業務場景需求，對於用戶促活、標籤打標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，大致分為五個環節：
標準制定→樣本標註→模型訓練→數據評測→上線
隨著業務需求增加，對於模型迭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臺顯得尤為重要，對於簡單的模型，可以由運營或者產品協調標註，快速訓練、迭代模型，提升效率。
這裡簡單聊聊模型自動化訓練平臺的搭建，或有不足之處，大家一起交流學習。
平臺工具可分四大模塊：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）內部獲取
- 來自內部，整合已有工具，平臺加上工具跳轉入口；利用sql自行獲取想要樣本標註數據。
- 來自內部，算法側提供相應樣本標註數據
2）外部獲取
根據具體需求，制定內容爬取方案，瞭望爬取相應內容（圖文、視頻、小視頻等全體裁），需要入庫，支持輸入標註平臺、眾包進行數據標註。
（2）數據處理
- 針對內外部獲取的數據集，支持輸入標註平臺、眾包進行標註，輸出有效標註樣本數據集
- 針對眾包、標註平臺輸出的有效標註樣本數據集，需要有個樣本管理配置平臺，進行數據處理，然後將數據直接推送至對應模型進行訓練。
模塊二：模型訓練
- 算法提供每個需求所需模型
- 選定所需模型，輸入有效標註數據集進行訓練
- 支持配置選擇模型參數，比如，基於神經網絡模型，一般可以迭代訓練輪數、學習率、網絡層數、向量寬度、選擇的優化器等。
- 支持增量與全量任務訓練，訓練狀態可視化，便於及時掌握訓練情況
- 建立監控報警機制，訓練狀態異常時觸發，保證訓練狀態正常。
模塊三：數據集打分
- 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
- 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
對於準召率達標不同版本模型進行留檔記錄，便於對比迭代前後模型效果
- 對比維度：模型版本號、訓練完成時間、P\R\F1值、人工評測準召率等
通過作者打標、用戶打標、模型訓練等方式，輸出了各個維度內容標籤，存儲於標籤庫中，為各業務場景提供底層數據支持。
本文由 @珂然 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議
