上一篇文章我们介绍了常见的分发方式和算法分发的理论基础，这篇文章我们来进一步讨论，如何设计产品的性化推荐的规则。

标签库

个性化推荐的基础是用户画像，而用户画像就是将用户标签化，用一个个标签去描述用户处用户的特征、喜好、行为习惯等信息。为了数据标准化和规范化，我们需要在后台建立一个标签库，通过对标签库的维护，来满足用户画像的需求，并作为数据分析的依据。

所谓标签库，也就是标签的集合，讲标签组织化和结构化。在产品设计上，标签库就是一个标签的列表，并支持增删查改等基础的维护。

编辑搜图

请点击输入图片描述

如果产品内容类型很丰富，那么标签的数量也会特别庞大。为了便于维护，也便于数据分析，最好能对标签进行分类管理，比如建立一个二级类目管理机制。

编辑搜图

请点击输入图片描述

一级分类

编辑搜图

请点击输入图片描述

二级分类

内容标签化

通过对用户贴标签来了解用户的喜好是个性化推荐的基础，但是给用户贴标签的依据是什么呢？那就是用户跟内容的互动。用户阅读了一篇文章、看了一部视频、回答了一个问题，都是用来给用户贴表情呢依据。那么我们就得首先知道，这些文章视频内容属于什么标签，也就是将内容标签化。

如何将内容标签化呢？对于不同形态的内容，方法是不一样的。

对于文本内容，一般是通过关键字匹配。这里，标签库就要发挥作用了。通过技术手段识别文本中的关键字，如果与标签库中的标签匹配上，即可作为该内容的标签。

编辑搜图

请点击输入图片描述

如果是音频内容，标签的识别可能就得依靠人工手段了，毕竟靠技术识别的难度太大。通过在后台给内容手动打标签，将音视频等内容标签化。

用户标签化

当用户与内容产生互动，比如阅读、点赞、收藏等行为，那么首先，我们就得统计用户的行为。如何统计呢？

首先，梳理用户与内容能产生的所有行为；然后，梳理这些行为能产生的所有字段信息；最后，在后台讲这些行为数据表格化。

编辑搜图

请点击输入图片描述

编辑搜图

请点击输入图片描述

当用户与内容产生互动，即可认为这条内容的标签页属于用户的标签。为了画像更为精准，我们给用户的标签赋予一个权重的概念。用户的行为不同，该标签的权重值不同，比如仅仅是阅读的情况下，标签的权重+1，如果是点赞，则标签的权重值+2。通过一次次行为的积累，最终讲得到用户的标签权重表，而这张表，就是用户的画像。

编辑搜图

请点击输入图片描述

不过，给用户标签赋值要考虑到多种因素，比如时间效应。用户兴趣会随着时间而衰减，因此减少对应的分值。还要考虑到热门内容的干扰，比如某个明星离婚的消息。用户看此类消息可能仅仅是一时的好奇，并不代表对此类标签（八卦、明星）的内容感兴趣，因此这类行为的权重值要降低。

个性化推荐规则

将用户和内容标签化之后，要实现个性化推荐，还需要最后一步：制定个性化推荐规则。所谓个性化推荐，就是根据用户画像，给用户做精准推荐。这里，我们举一个例子：

规则1.选择匹配该用户标签权重值排前5的相关内容

规则2.筛选满足规则1的且是最近48小时内发布的内容

1.分页推送，每页8条，按照点赞数从多到少排列，上滑翻页

2.下拉刷新，推送本次刷新与上次刷新之间产生的满足规则1和规则2的内容，根据分值从高到低排列，每次刷新最多推送8条，不足8条则推送实际数量

3.已推荐过的内容则不再推荐

以上是一个比较简单的推荐规则，重点是要通过这个规则体现个性化推荐的应用思路，读者可以根据自身产品的实际需要制定更详细的规则。

小结

除了内容产品，很多业务场景都适合个性化推荐，比如电商的猜你喜欢，感兴趣的读者可以自己设计一套电商业务的个性化推荐体系。