给您一篇我早年写的文章，供您参考，看看有无借鉴之处⬇️⬇️⬇️

标签，是大家耳熟能详的信息分类和标记机制，相信各位产品经理都用的烂熟。只不过，闲暇之余有没有深入思索一下标签这个不起眼的机制背后所蕴藏的磅礴宇宙观呢？今天，磊叔就带你们深入了解一下标签，再次以工资保证这是你在任何网站都看不到的全新解析和诠释标签的视角，是真是假，看完再做决断。

先来点开胃菜，也是烂大街的理论，不过磊叔做了小小新的诠释。标签和分类的区别，相信大家知道的比磊叔多得多，不过下面这几个核心区别还是分享给大家:

标签和分类的区别是大家喜闻乐见的，但是不够深度和震撼，我们深入一点点。

事实上，在数据领域，有一个鼎鼎大名的词汇与标签极其雷同，无论它的定义、它的适用范围，还是它的衍生应用都与标签令人惊讶的一致。

它就是：元数据。

元数据：用来描述数据的数据，是从数据中抽取出来用于说明其特征的数据，是结构化数据。

可是和我们要讲的标签有什么关系呢？

别急，如果把元数据的定义替换为标签，我们就能看到一个令人兴奋的进化：

标签，用来描述信息的数据，是从信息中抽取出来用于说明其特征的数据，是结构化数据。

很贴切、很精确、很完美的标签定义，不是吗？

1）规则标签

这类标签最简单，就是人为指定一堆规则，然后给这堆规则命名，也就是规则标签了。

例如，磊叔定义了几条规则：

为了方便研发实现，写成技术语言大概就是：

为了方便业务沟通，写成业务语言大概就是：

“流失用户”就是规则标签。

规则标签，有时候也叫作业务标签。

2）特征标签

在内容分发领域，更多的是应用特征标签，即不再是人为制定的规则，而是通过机器学习来理解内容并提取特征作为标签，即把原始的图文或视频的文本信息丢进NLP，然后NLP去分析和理解并输出特征文本，即标签。

那么标签系统的核心到底是什么呢？磊叔总结了四个标签系统的核心逻辑，略有点理论化。

1、标签是结构化数据

标签常规型态下是一个普通的不能再普通的文本，文本一定是可以结构化的，也就是说标签是可以被结构化，可以被有效的存储、组织、管理、搜索和精确定位的。总之，结构化数据的特点和治理方式可以完美的套用到标签上。

2、标签是可被搜索和精确定位的

由于标签是结构化的，是可以在关系型数据库中有效的组织、存储和管理的，那么，它就一定能被搜索且被精确定位。也就是说，我们总是有很高效的办法来定位出每一个标签。

这一点非常重要，结构化数据总是能够被高效的搜索和定位，这样就让标签数量可以无后顾之忧的爆发性增长。而随着标签数量的不断增长，标签能够越加精确的去描述信息，让信息本身也越加的可被精确定位和搜索，这是一个双赢的结果。

3、标签可用于各种数据结构上

虽然标签本身是结构化的，但标签本身并不局限于只能描述结构化的数据。

事实上，标签用以描述的信息是普适性的，也就是标签可以应用于任意数据结构，比如常规的文本、图片、视频、音频、超链接、甚至一些更抽象的信息，例如某种哲学思想，某种行为方式或者某种心智模式等。回想一下，如果我们要描述一段视频，以前是怎么做的呢？无外乎:

管用吗？管用，但是不特别管用。因为文件名、标题和描述等这些信息量依然太少，加起来几百个字能提取什么特征信息嘛。

这时，标签自身的精确性和灵活性就派上用场了，“啪啪啪”的几个标签加持，视频的各种关键信息就显露无疑的展示出来。

4、标签可以使原本无法描述、搜索和定位的数据也可以被描述、搜索和定位

这个特性简直就是标签的黑科技，如果把标签比作天火，数据比作擎天柱，那么给数据加上标签，也就等于给擎天柱附加了天火的飞行引擎。

拿上面视频这个冤大头举例子。众所周知，视频这种非结构化数据不仅存储起来头疼，搜索起来更头疼。因为非结构化数据很难被搜索和精确定位。而上述的给视频增加文件名、标题甚至大段描述文字的效果依然很差，因为这种描述的信息量非常有限。

比如，我想搜索视频中的指定时间的内容呢？例如我想搜索梁朝伟和张国荣接吻在影片中的时间，懵逼了吧。没问题，标签也能帮到你。

这个不是异想天开，百度就已经开始研发针对视频的每一帧来打标签的技术，而最能让群众接受和喜闻乐见的针对视频内容或者视频帧的标签，就是你们一直用的：弹幕。

标签的元数据类比定义，各种热热闹闹的优点，都算有点意思，但是依然还不够深度和震撼，我们继续深入一点点。

本质上，标签就是一堆对等的特征信息。能理解不？不理解也没关系，磊叔举个说人话的例子就明白了。假设我们系统中有几个关于地区的标签，比如说广州、北京、上海、深圳、曲麻莱县（我打赌你不知道这个地方在哪里），本质上这几个地域名称并无二致，完全一样，是对等的。但当我们给某些信息打上这些标签时，其实我们潜意识是有一个预期和判断的，大致就是一线城市和十线县城赋予信息的重要程度是完全不一样的，即信息被打上广州和被打上曲麻莱县其实是具有完全不同的含义，那么也就是说：标签是有权重的。

1）工程应用中的标签体系

在实际的工程应用中，标签体系通常是和分级体系结合在一起成为完整的内容分类体系。相对粗粒度的分类体系和相对细粒度的标签体系各司其职共同发挥作用。

在内容分发平台中（UC头条，今日头条等APP），内容分类体系的组成如下图：

那么问题来了：主题词，实体标签，概念标签，这些都是什么鬼？别急，磊叔带你从上到下逐个掰扯清楚：

最顶层，最粗粒度，也是最通用的分类，例如社会，娱乐，科技等。一般有15-20个左右，各个内容分发平台差别都不大，各个内容类型（图文，短视频，音频等）的差异也不大。

次级，次粒度的分类，二级分类很好理解，把一级分类细拆下来就是了，例如一级分类的娱乐细拆为电影，音乐，电视剧等二级分类。

听说你想知道各个内容平台的一级和二级分类有哪些？没问题，注册各个自媒体平台的账号，发文时多数会让你手工选择内容分类，做的好的自媒体平台会有两个联动下拉框，分别对应一级分类和二级分类，做的不那么好的自媒体平台，会把一级和二级分类集中显示。

这个不是每家都有，原因如下：

- 三级分类已经和标签的粗粒度差不多，可以用标签来代替三级分类- 三级分类数量太大，体系化管理和维护的成本太高。磊叔的老东家一级分类有22个，二级分类有88个，再拆到三级分类就是指数的增加了。

于是乎，三级分类在工程应用中的定位是填补上层二级分类和下层标签体系之间的粒度空白。

什么是粒度空白？例如一级分类是娱乐，二级分类是电影，标签是王家卫，可能会出现下面这种情况:

假设我是一个文艺电影的爱好者，

所以三级分类这个位置，有的平台叫三级分类，放在二级分类和标签之间，有的平台叫主题词，还有的平台和概念标签混合使用。

接下来就是标签层了，这里有两个新名词：实体标签和概念标签。什么鬼！？这里简单交代下标签词义的演进：早期在用标签系统时，大伙都是很随意的给内容打标签，反正想到什么就打什么，逐渐的问题暴露出来：不仅通过标签管理内容乱七八糟，还不如用回分类呢，而且推荐上效果也很差，很不尽如人意。于是，大伙请来了研究中文语义和词义的专家，来帮大伙把把脉，果然，问题的根源发现了：

所以，研究中文语义和词义的专家就给出了解决方案：

所以，针对第1点建议，大伙就商量，我们就用这种唯一指代的名词吧，这种名词在学术上叫实体词，那么大伙就把实体词代表的标签称为实体标签。

必须是名词，且必须是唯一指代。学术性的解释逼格高，但是不容易理解，跟着磊叔快问快答：

实体标签的要求：名词，且唯一指代。苹果，是名词，但不是唯一指代，苹果 = 科技公司、手机、水果、牛仔裤。

难道我就不能用“苹果”了吗？当然可以用，只不过要给它另外起个名字：概念标签。概念标签通常表示的是“一类”或“某种相似”的内容，例如：

2）图文和短视频的标签生产有什么不同？

这个差异可大发了。

现代工程中，基本上是通过NLP来生产标签的，也就是把图文或者短视频丢进NLP模型，模型呼啦呼啦一顿运算找出“自认为”最符合输入内容特征的标签，完事。

这个事的核心逻辑是NLP模型的效果（准召覆）严重依赖输入的信息以及信息量。

图文的NLP准召覆业内平均都可以做到80%以上，短视频的NLP准召覆费劲巴拉能到70%就不错了。

针对短视频的文本信息少，有效信息都在视频和音频中，所以采用融合模型来搞定。融合模型：不仅分析短视频仅有的文本信息，同时对视频帧和音频进行处理，谓之融合模型。嗯，阿里巴巴的idst了解一下。

1）标签如何赋能内容管理和运营

内容均衡化和针对性入库，内容库的同学负责内容源，内容质量等，分类的粒度太粗了，而且同一个分类下的内容也会千差万别。举个例子，假如内容库有社会这个分类，那么极有可能出现这种可能:

当热点运营的同学发现社会分类的ctr显著高于大盘，那么到底是教育这个二级分类火了，还是青少年教育这个标签火了，还是隔壁小哥哥打架这件芝麻蒜皮的事情爆冷突然火了呢？

通过分析分类体系和标签体系的ctr，运营同学发现是“青少年教育”这个标签打上的内容都火了，接下来就可以：

2）标签如何赋能冷启动的

这个简单过一下：

3）标签如何赋能相关推荐的

标签简直就是天然为推荐场景而生的，毕竟都在讲要个性化推荐，都在讲精准推荐。标签的精准指向恰好就是为此服务的。

标签在推荐下发场景的应用非常丰富多彩，玩法五花八门，各家也是百花齐放。个中妙处磊叔可以分为9集在天桥下无限循环播放。

这里磊叔举个好玩的场景来说说标签是如何赋能推荐下发的。

对于常见的内容型产品，典型的用户路径是这样的：

这么描述可能有点抽象，我们找个有代入感的场景来说明：

发现问题了吗？停留时间太短，好不容易拉来的流量过来溜达一圈就走了。

如此浪费流量自然不能坐以旁观，想点办法。

这么描述还是抽象，我们找个有代入感的场景来说明：

然后运营同学发现APP的使用时长猛增几十倍，可喜可贺。

磊叔描述的有点简单，不过实际情况确是如此，相关推荐的核心逻辑是这样：

核心逻辑的关键词就是内容的特征，即标签，命中了用户的即时兴趣，即当前浏览下的兴趣。

4）标签赋能产品

上面几个赋能都是运营相关的，那么产品呢？产品方面有：标签露出、关注标签。分别对应的产品有：B站APP的视频详情页有露出相关的标签；SMZDM的标签可以订阅。

5）标签赋能用户画像和兴趣探索

这里更好玩一点，用户画像和兴趣，与标签系统，是基于同一套标签库的，不然怎么样进行用户兴趣和内容推荐的匹配嘛，不多解释。

好玩的反而是在兴趣探索，为什么呢？

准确的说是实体标签的局限和劣势。实体标签的定义是：名词，且唯一指代。优点：精准，精准，精准。局限：太精准，太精准，太精准。

劣势1：覆盖率有天花板

现代工程中实体标签的覆盖率大概只能去到70%~75%，因为精准，所以局限。

劣势2：易导致推荐策略过度收敛

在推荐系统中，实体标签很精准特征很明显，好处描述用户兴趣时会非常准确，有利于提高推荐系统的效果。不过局限性容易导致推荐系统判断用户兴趣时会变得极其狭隘和过度精准，行话就是过度收敛。

从推荐的流程上来看，即是下图：

总之呢，推荐策略中的一个核心关注点就是保持推荐的精准和兴趣探索的平衡。

目前也没有特别好的解决办法，不能怪标签，因为它天生就是及其精准的（还记得实体标签的特点吗？），所以有很多其他的策略来减低过度收敛的“跑火车”现象：