第1章：标签体系设计原则

大家好，我是老张。做标签系统这些年，踩过不少坑，也总结了一些经验。今天咱们聊聊标签体系的设计原则。说白了，标签体系就是给用户「贴标签」的一套方法论。但怎么贴、贴什么、贴完怎么用，这里头门道不少。

1.1 标签分类：事实标签、模型标签、预测标签

我个人习惯把标签分成三类。这个分类方式，我在好几个项目里都用过，效果不错。

事实标签

事实标签，就是「是什么」。它直接来自用户的行为数据或属性数据。比如用户的性别、年龄、注册时间、最近一次登录时间。这些数据是确定的，不需要任何加工。

嗯，这里要注意。事实标签虽然简单，但它的准确性直接决定了后续所有标签的质量。我在项目中遇到过，有人把「用户填写的性别」直接当事实标签用，结果发现很多用户乱填。后来我们加了「实名认证」的校验，才解决了这个问题。

模型标签

模型标签，就是「可能是什么」。它需要一定的规则或算法来生成。比如用户的消费能力等级、活跃度等级、兴趣偏好。

举个例子：

• 消费能力：高（月消费>5000元）
• 活跃度：活跃（近7天登录>3次）
• 兴趣偏好：数码、运动

模型标签的关键在于规则的设计。规则太松，标签没意义；规则太紧，覆盖的用户太少。我建议先做小范围测试，看看标签的分布是否合理。

预测标签

预测标签，就是「未来会是什么」。它基于历史数据，用机器学习模型来预测。比如用户的流失概率、购买意向、生命周期价值。

为什么会这样？说白了，预测标签依赖的数据质量要求更高。你想想看，如果历史数据本身就有偏差，模型学到的规律自然也是错的。

1.2 标签命名规范

标签命名这件事，看似简单，但做不好会让人抓狂。我记得有一次，团队里三个人给同一个标签起了三个不同的名字，结果数据对不上，排查了半天。

我建议的命名规范是这样的：

层级	命名规则	示例
一级标签	业务域_标签名	user_gender
二级标签	业务域_标签名_子类	user_gender_male
三级标签	业务域_标签名_子类_属性	user_gender_male_verified

命名时要注意几点：

• 全部用小写字母，单词间用下划线连接
• 避免使用特殊字符，比如 @、#、$
• 标签名要能自解释，看到名字就知道含义
• 长度控制在30个字符以内

1.3 标签层级结构设计

标签的层级结构，说白了就是「怎么组织这些标签」。我一般用三层结构：

• 一级标签：按业务域划分，比如用户属性、消费行为、内容偏好
• 二级标签：按具体维度划分，比如用户属性下的性别、年龄、地域
• 三级标签：按具体值划分，比如性别下的男、女

举个例子：

一级：user_attribute（用户属性）
  二级：gender（性别）
    三级：male（男）
    三级：female（女）
  二级：age_group（年龄段）
    三级：18_25（18-25岁）
    三级：26_35（26-35岁）
    三级：36_45（36-45岁）

一级：purchase_behavior（消费行为）
  二级：consumption_level（消费等级）
    三级：high（高）
    三级：medium（中）
    三级：low（低）
  二级：purchase_frequency（购买频率）
    三级：frequent（频繁）
    三级：occasional（偶尔）
    三级：rare（极少）

这种层级结构的好处是：

• 扩展性强，新增标签不影响已有结构
• 查询效率高，可以按层级做聚合
• 便于权限管理，不同团队可以管理不同层级的标签

好了，这一章就讲到这里。标签体系的设计，说白了就是「分类、命名、组织」这三件事。做得好，后续的标签应用会非常顺畅；做不好，后面全是坑。下一章，咱们聊聊标签的存储和计算。

---

公众号:蓝海资料掘金营，微信deep3321