我们预测user是否对item感兴趣，最简单的就是user特征和item特征拼在一起作为特征向量，进行模型训练与预测。

但是这样缺少了user与item之间的一些交叉特征，标签就是很重要的一种。

item一般会主动打上一些tag，而user偏好的tag除了给用户自主选择的机会，一般通过大数据来挖掘。

通过积累user对item的点击日志，可以通过hive等大数据平台离线计算出user浏览过哪些tag，以及每个tag的浏览次数。

最终，我们可以基于上述统计结果，计算出每个user浏览过哪些tag，每个tag的权重（该tag浏览次数 / 该用户浏览tag总次数）。

当我们拿到一个item的时候，可以以Item的tag为准，找出user是否有相同的tag，得到item与user的tag交集。

因为user对每个tag均有偏好权重，现在可以产生几个交叉特征，比如：

• user对item的最大tag偏好权重
• user对item的平均tag偏好权重（交集tag的权重sum / item的tag数）
• user对item的tag偏好权重和（交集tag的权重sum）

把这些数值添加到特征向量中，现在整个特征向量的组成是这样的：

• user特征：年龄，性别…
• item特征：价格，热度…
• tag交叉特征：最大tag偏好打分，平均tag偏好打分，偏好总分

你还可以对品牌、分类等做离线挖掘，为每个user对每个brand/category做权重打分，都作为交叉特征。

这样，就可以把海量标签转化为特征表达，体现出user对item的偏好了。

如果文章帮助您解决了工作难题，您可以帮我点击屏幕上的任意广告，或者赞助少量费用来支持我的持续创作，谢谢~