标签系统是推荐系统产品经理的基本功，属于非算法技术的模块

标签系统是推荐系统产品经理的基本功，属于非算法技术的模块，故此算“文”的部分。上图是视频的标签系统的业务架构逻辑。

此标签体系主要是针对视频，其中业务包含长视频和短视频，长视频：基于最细粒度标签向量，人工打权重，用向量相似计算节目相似度；短视频：基于三级标签，利用产品运营策略、规则、算法计算相似度。利用NLP从标题中提取关键词补充三级标签，建立倒查索引表，实时更新相似度。

标签系统主要分，标签的数据结构，标签的数据类型，标签的数据来源，标签的系统功能。

数据结构（英语：data structure）是计算机中存储、组织数据的方式。

标签的数据结构一般分为三级，一级，二级表示标签的功能；三级表示标签的具体信息；这种数据结构来自按业务需求进行的梳理。梳理标签分类时，尽可能按照MECE原则，相互独立，完全穷尽。每一个子集的组合都能覆盖到父集所有数据。标签深度控制在三、四级比较合适，方便管理，到了第四级就是具体的标签实例。

我们的视频标签数据结构是分为三级，例如，人口属性——性别-性别（男）这样的数据结构来梳理的。

数据类型（英语：Data type），又称数据型态、数据型别，是用来约束数据的解释。在编程语言中，常见的数据类型包括原始类型（如：整数、浮点数或字符）、多元组、记录单元、代数数据类型、抽象数据类型、参考类型、类以及函数类型。数据类型描述了数值的表示法、解释和结构，并以算法操作，或是对象在存储器中的存储区，或者其它存储设备。

在我们的标签体系中一般是指产品对应具体的业务内容，视频的产品经理一般会按照长视频，例如：短视频的变迁数据类型会分为，分类标签，栏目标签，内容标签等。分类标签是指短视频的类别，例如属于教育、音乐还是舞蹈等等，栏目标签是指某个短视频栏目，然后是具体的内容。

那么标签的数据来源是怎么来的呢？一方面是手工人工对内容进行梳理，标签化。另外一方面算法对视频标题内容和视频简介进行分词理解。

文二：用户画像

用户画像是由N维度的用户标签生成的，用户画像将推荐系统设计的焦点放在目标用户的动机和行为上，从而避免产品设计人员草率地代表用户。产品设计人员经常不自觉的把自己当作用户代表，根据自己的需求设计产品，导致无法抓住实际用户的需求。往往对产品做了很多功能的升级，用户却觉得体验变差了。

在大数据领域，用户画像的作用远不止于此。用户的行为数据无法直接用于数据分析和模型训练，我们也无法从用户的行为日志中直接获取有用的信息。而将用户的行为数据标签化以后，我们对用户就有了一个直观的认识。

同时计算机也能够理解用户，将用户的行为信息用于个性化推荐、个性化搜索、广告精准投放和智能营销等领域。

为视频做推荐系统，需要了解视频用户的特征，这些特征传统方法可以通过特征工程来做，但是有了AI后，可以用神经网络自动提取特征。如下图：

我们已经落地的视频用户的标签体系主要分为基础标签，包含设备的型号和设备的LBS位置等，以及用户的家庭结构还有核心目的预测用户的需求的标签，例如：是否已婚、是否有房、从事的行业等等。

我们视频类产品用户的标签主要来自于业务系统，例如用户用过手机看视频，用户通过电视看视频，用户看广告并点击了某类型的广告，用户在第三方平台的数据等等。

然后我们将用户数据ETL进入数仓，同时也会利用AI的工具例如TensorFlow等生产出新的数据，进而形成用户画像，然后封装好供推荐系统和内容运营人员利用。

武一：懂大数据和推荐系统的关系

推荐系统是帮助人们解决信息获取问题的有效工具，对互联网产品而言用户数和信息总量通常都是巨大的，每天收集到的用户在产品上的交互行为也是海量的，这些大量的数据收集处理就涉及到大数据相关技术，所以推荐系统与大数据有天然的联系，要落地推荐系统往往需要企业具备一套完善的大数据分析平台。

推荐系统与大数据平台的依赖关系如下图。