最近我们对我们平台的用户进行了一个用户标签提取，这中间的主要流程如下图3-1所示：

图3-1

一、梳理做用户画像需要的数据
用户画像是基于业务数据而进行的，如果前期没有考虑好这一点，那么在真正实操时会发现做分析需要的数据存在不同的业务表里面，甚至有些数据根本没有保存。所以，在做用户画像之前最需要做的事就是梳理清楚到底需要哪些数据，如果业务上没有保存，那么就增加保存，如果数据非常分散，最好是集中保存下，否则后面随着数据越来越大，从多个业务表里面汇总数据也是一个非常麻烦的事。
如上图，如果我们要获取的是用户点赞、评论、分享、浏览的数据，那么可以使用AOP把用户做这些请求的数据记录到一个日志里面。例如：

接下来就是对内容id进行去重，可以直接使用Set去重，去重之后可以去内容表里面通过内容id获取到内容的URL地址，因为我们的内容是不保存在本地的，所以需要通过内容的URL去第三方平台拿信息。

二、通过URL获取内容的标题和正文
对于一篇文章来说，标题和正文是最有价值的，对于提取标签这个事来说，也是需要标题和正文的。提取的方式有很多，比如可以单独写针对不同平台的爬虫进行提取信息，但是这样的成本很大。为了保证提取的内容确实是正文，也不能简单的使用driver.find_element_by_xpath('//body').text的方式，因为这样取出来的数据有很多干扰信息，会把整个页面的所有信息都获取出来当作正文，包括推荐的内容，包括广告…页面上呈现的所有内容。代码如下：

# 爬取文章内容
driver = chrome_dirver()
driver.set_page_load_timeout(20)
# 假设文章的URL存放在article.json文件中
with open('article.json') as f:
    article = f.read()
    article = json.loads(article)
    for k, v in article.iteritems():
        try:
            article_id = k
            article_url = v
            driver.get(v)
            article_title = driver.title
            article_info = driver.find_element_by_xpath('//body').text
            # 这里已经获取到文章标题和正文   
        except Exception as e:
            print e
            continue
    driver.close()
    driver.quit()

GitHub上有牛人写了一个基于行块分布函数的通用网页正文抽取算法的Python版本。我们通过测试发现准确性是还可以的，GitHub地址https://github.com/chrislinan/cx-extractor-python

三、通过百度的自然语言算法AipNlp计算出所有文章的标签及对应权重
获取到文章的标题和正文之后，就是需要提取这篇文章的标签以及标签的权重。当然我们可以自己使用开源的分词算法，但是如果没有“词语-有效标签”的库，就是把文章的分词做好之后也很难提取有效的标签。我们这边考虑的是使用百度的自然语言算法AipNlp来帮助我们做这个事。为什么使用百度云，而不使用腾讯云或者阿里云？因为腾讯的“词语-有效标签”库偏社交，阿里的“词语-有效标签”偏电商，百度就是库是最全的。
使用百度云中的自然语言处理SDK很简单，可以直接查看他的SDK文档，有Python、Java、PHP、Node各种语言的。
例如使用Java的，先增加maven依赖：

<dependency>
    <groupId>com.baidu.aip</groupId>
    <artifactId>java-sdk</artifactId>
    <version>${version}</version>
</dependency>

再就是使用，最简单的样例如下：

public class Sample {
    //设置APPID/AK/SK
    public static final String APP_ID = "你的 App ID";
    public static final String API_KEY = "你的 Api Key";
    public static final String SECRET_KEY = "你的 Secret Key";

    public static void main(String[] args) {
        // 初始化一个AipNlp
        AipNlp client = new AipNlp(APP_ID, API_KEY, SECRET_KEY);

        // 调用接口
        String title = "一面APP是一款非常有意思的社交APP";
        String content = "一面是一款基于文字、视频、图片的形式，网罗各类资讯、音乐、运动、旅行、周边生活信息、打折促销等内容的社交平台。在一面上，你可以创建各种类型的主题，和家人、恋人、朋友、同事、同学、邻居、同伴等一起订阅专属信息。真正做到关心你关心的人关心的一切，让内容共享温暖我们的社交关系。";

        JSONObject res = client.keyword(title, content);
    }
}

Body请求示例：

{
    "title":"一面APP是一款非常有意思的社交APP",
    "content": "一面是一款基于文字、视频、图片的形式，网罗各类资讯、音乐、运动、旅行、周边生活信息、打折促销等内容的社交平台。在一面上，你可以创建各种类型的主题，和家人、恋人、朋友、同事、同学、邻居、同伴等一起订阅专属信息。真正做到关心你关心的人关心的一切，让内容共享温暖我们的社交关系。"
}

返回示例：

{
    "log_id": 4457308639853058292,
    "items": [
        {
            "score": 0.997762,
            "tag": "社交"
        },
        {
            "score": 0.861775,
            "tag": "资讯"
        },
        {
            "score": 0.845657,
            "tag": "订阅"
        }
    ]
}

四、通过用户、行为类型、文章的关系，计算出每个用户的标签及权重
例如：点赞权重为0.8、评论权重为0.9、分享权重为1.0、浏览权重为0.3。那就是根据这个用户对哪些文章以何种行为进行了关联，把该文章的标签关联到这个用户上即可，具体的算法我在用户画像（一）｜计划制定讲过，大致如下：

3.6、总结
综合上述分析，用户画像的数据模型，可以概括为下面的公式：
用户标识 + 时间 + 行为类型 + 接触点（网址+内容）
某用户因为在什么时间、某个地点、对某个对象，做了什么事。所以会打上XX标签。
用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
标签权重=衰减因子×行为权重×位置权重
当然，很多时候标签本身也是有权重的。
如：用户A，昨天在发现频道浏览“2018年必看惊悚恐怖片之一：XXX电影”的主题内容。
我们为这个内容打的标签为：恐怖 0.6，电影 0.8
时间：因为是昨天的行为，假设衰减因子为：r=0.95
行为类型：浏览行为记为权重1
地点：在发现频道为 0.6（相比在我的－我创建的主题中的0.9）
则用户偏好标签是：电影，权重是0.95*0.6 * 1=0.57，即，用户Ａ：恐怖 0.57、电影 0.57。最后再乘以标签自己的权重。

上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。