摘要：今天這篇文章，主要圍繞馬蜂窩用戶標簽體系中的用戶貢獻能力標簽，來介紹我們?nèi)绾瓮诰蚰切︸R蜂窩的有貢獻能力的群體，這樣做的價值是什么。挖掘用戶內(nèi)容貢獻能力的意義鼓勵用戶分享原創(chuàng)內(nèi)容彼此借鑒旅游信息，是馬蜂窩得以持續(xù)吸引用戶的核心。

在用戶個性化時代，垂直化、精細化的運營，被看作企業(yè)重要的競爭力。完整、清晰的用戶畫像體系，可以幫助企業(yè)從海量的用戶信息中發(fā)掘每個用戶的行為特性、潛在能力及興趣等信息，從而為用戶提供具有針對性的服務(wù)。

馬蜂窩擁有海量的用戶出行體驗數(shù)據(jù)，在成長和發(fā)展的過程中一直在探索如何通過基于海量 UGC 的數(shù)據(jù)挖掘出每個用戶的基本特征、對旅游主題、目的地的偏好和潛在興趣，從而精準地定位和標記用戶，將優(yōu)質(zhì)的內(nèi)容、商品和服務(wù)與用戶進行連接。

今天這篇文章，主要圍繞馬蜂窩用戶標簽體系中的「用戶貢獻能力」標簽，來介紹我們?nèi)绾瓮诰蚰切︸R蜂窩的 UGC 有貢獻能力的群體，這樣做的價值是什么。

鼓勵用戶分享原創(chuàng)內(nèi)容、彼此借鑒旅游信息，是馬蜂窩得以持續(xù)吸引用戶的核心。這些用戶產(chǎn)生的原創(chuàng)內(nèi)容不僅包括記錄自己旅游體驗的攻略、游記，也包括幫助其他用戶解決旅行疑惑的問答、點評等。通過這種互享型的內(nèi)容互動模式，越來越多存在個性化旅行需求的用戶在馬蜂窩完成旅游消費決策的閉環(huán)。

為了更好地幫助用戶提升決策效率，我們需要挖掘出那些擁有豐富的自由行經(jīng)驗，并且具有一定內(nèi)容生產(chǎn)能力的旅行者，圍繞內(nèi)容增長、用戶活躍制定相關(guān)策略。

如果只通過用戶的等級劃分來評估該用戶的影響力，顯然是存在問題的。我們都知道，用戶等級作為用戶激勵體系中的一種方式，是對用戶過往行為的認可，因此等級一般只會上升不會下降，這種特點導(dǎo)致：

用戶核心輸出能力無法得到有效量化：用戶只要每天進行打卡、回復(fù)、評論等簡單行為也會慢慢升級到高級別；

用戶升級以后等級固化：例如用戶很長時間沒有登錄，但從等級來看他的影響力依然很強；

無法感知用戶的內(nèi)容輸出意愿：即使用戶等級高且在近期有過登錄行為，但對哪些話題感興趣、是否存在生產(chǎn)內(nèi)容的意愿我們無從感知。

為了解決以上問題，我們將內(nèi)容貢獻能力作為用戶畫像標簽體系中的一個字段進行挖掘，并應(yīng)用到馬蜂窩很多業(yè)務(wù)當(dāng)中，比如：

旅游問答邀請

馬蜂窩問答可以看成是一種更快捷、簡短、個性化的旅游攻略。我們可以圈定近期在該領(lǐng)域內(nèi)容貢獻豐富的、以及內(nèi)容受歡迎的相關(guān)用戶，推薦給提問者定向邀請回答，保證旅行者的問題能夠快速、準確地被解答。

馬蜂窩 KOL?挖掘

利用用戶內(nèi)容貢獻能力標簽，我們可以更精準地挖掘活躍的、專業(yè)的、熱愛旅行并能生產(chǎn)高質(zhì)量內(nèi)容的 KOL，一方面可以在線上通過邀請入駐、內(nèi)容推薦等方式，讓這些資深旅行者的優(yōu)質(zhì)內(nèi)容得到更多曝光；另一方面，可以將 KOL 的力量組合起來，轉(zhuǎn)移到線下，用他們的親身經(jīng)驗最簡單地帶動用戶的直觀認知，比如「馬蜂窩指路人」等。

圖：馬蜂窩旅行家專欄

圖：馬蜂窩指路人俱樂部

簡單來說，就是從用戶的的活躍度、在一定時間內(nèi)的受歡迎度、輸出意愿三個維度構(gòu)建模型，從而對用戶貢獻能力進行測度，即：

用戶內(nèi)容貢獻能力 = 用戶的輸出意愿 + 用戶的活躍度 + 用戶的受歡迎程度

RFM 模型我們很多人都不陌生，這是衡量用戶價值和用戶創(chuàng)利能力的經(jīng)典工具。這里我們基于馬蜂窩旅游社區(qū)的場景，將 RFM 模型的三個因素調(diào)整為：

A（Activity）：用戶活躍度

e^(-αt)：最近一次訪問時間距今天的時間衰減，采用指數(shù)衰減，其中?α 為衰減系數(shù)。這里利用指數(shù)衰減函數(shù)做為時間衰減因子，F(xiàn)*E 可以理解為用戶的活躍的熱度，時間衰減因子體現(xiàn)了用戶活躍的熱度隨著時間逐漸衰減的過程。在馬蜂窩場景下，通過對實際數(shù)據(jù)的調(diào)參，我們選擇當(dāng)時間 t 為一年（365）的時候衰減為最小值 0.0001，此時帶入公式求出 α 的值。這里考慮的是用戶一年未貢獻任何的內(nèi)容則意愿衰減至最低，求得 α 為 0.0189；

F（Frequency）：?用戶在特定時間內(nèi)的內(nèi)容貢獻頻次。這里也是基于場景包含對游記、問答、攻略、筆記（圖、文、視頻結(jié)合）等所有類型內(nèi)容的計算；

E（Engagements）：用戶最近一次貢獻內(nèi)容的類型，不同類型的 UGC 對應(yīng)的值不同。例如產(chǎn)出一篇游記的難度以及內(nèi)容的價值要高于回答一個用戶的問題，和以圖片、視頻為主的筆記。經(jīng)過在馬蜂窩全站計算不同類型的文章在 UGC 數(shù)量占比，得出如下結(jié)論：游記的 E 值為 5，問答值為 2.5，筆記值為 3 。

無論是什么形式的 UGC，被認可的方式通?；径际峭ㄟ^其他用戶的點贊、評論、收藏、分享幾種方式。在馬蜂窩，游記、問答、攻略、筆記等不同的文章形式歡迎度是不同的，比如以圖片、視頻形式為主要呈現(xiàn)形式的短內(nèi)容（筆記 ）雖然曝光較多，但是被點贊、評論等認可度卻不如攻略或者游記這樣的長文章。

因此這里通過分析社區(qū)中游記、問答、筆記等不同內(nèi)容的被贊情況進行分析，算出一個用戶歡迎程度最終綜合得分和平均分，如下：

以上，W 代表的是用戶受歡迎程度的綜合得分，α、β、χ?分別代表不同類型內(nèi)容的權(quán)重因子。這里通過計算全站不同形式的文章被贊的情況進行分析，得出 α:β:χ = 1:1.05:0.98 ，為了計算方便近似取 α、β、χ ?均為1。

Travel 值表示游記的受歡迎程度，計算方式是通過點贊、收藏、分享、回復(fù)等相關(guān)特征，作為衡量一篇文章是否受歡迎的特征屬性，然后通過 logistic 回歸模型訓(xùn)練特征權(quán)重，如下：

Y 表示訓(xùn)練的文章是否是優(yōu)質(zhì)，W_i 代表權(quán)重，通過模型訓(xùn)練得出權(quán)重的值，N 代表文章類型，vote代表點贊，F(xiàn)av 代表收藏，Comment 代表評論，Share 代表分享。最后求得權(quán)重以通過權(quán)重計算 Travel 來評判一篇游記受歡迎的程度。Answer、Note 的計算方式同上。經(jīng)模型訓(xùn)練的得出結(jié)果如下（這里為了計算方便，四舍五入取值小數(shù)點后一位）：

游記：w1：0.1，w2：0.5，w3：0.2，w4：0.4;

問答：w1：0.2，w2：0.9，w3：0.3，w4：0.6;

筆記：w1：0.1，w2：0.5，w3：0.3，w4：0.6;

用戶分享意愿是根據(jù)為用戶打標簽和 PageRank 來實現(xiàn)。將用戶貢獻內(nèi)容標簽作為用戶興趣的代表，然后結(jié)合實際場景，根據(jù) PageRank 計算模型來分析話題與用戶之間的關(guān)系，結(jié)合標簽相似度計算向用戶推薦其感興趣、分享意愿高的內(nèi)容。比如當(dāng)用戶貢獻內(nèi)容標簽與當(dāng)前話題的標簽分類屬于同一類的時候，我們可以理解為用戶對當(dāng)前同類標簽的話題輸出意愿是比較強的。如果用戶還貢獻過當(dāng)前話題標簽相類似的內(nèi)容，用戶的分享意愿會對應(yīng)提高。如下：

D 代表用戶的內(nèi)容寫作意愿程度，d_i 代表用戶對某一類型的文章的貢獻意愿（比如寫作游記的意愿）；

T_i 代表用戶在過去時間生產(chǎn)的某一類型內(nèi)容占用戶分享的所有內(nèi)容比值，其中 T_1 代表游記，T_2 代表問答，T_3 代表筆記；

C_i 代表用戶寫過的某一類型的文章其中出被評選為優(yōu)質(zhì)的數(shù)量，同理 C_1 為貢獻優(yōu)質(zhì)游記的數(shù)量，C_2 為貢獻優(yōu)質(zhì)問答數(shù)量，C_3 為貢獻優(yōu)質(zhì)筆記數(shù)量。

N 代表阻尼系數(shù)，這里默認 N 值為 0.85。

綜上，通過「用戶的輸出意愿 + 用戶的活躍度 + 用戶的受歡迎程度」，我們就可以給出相應(yīng)的用戶 UGC? 等級，從而使用戶的內(nèi)容貢獻能力得到客觀、有效地量化。

用戶內(nèi)容貢獻模型充分考慮了用戶等級設(shè)置中沒有突出用戶行為類型、時間衰減因素，以及沒有充分挖掘用戶興趣的三個問題，提出了一種新的模型視角，并在馬蜂窩的當(dāng)前產(chǎn)品中充分應(yīng)用。

未來，我們會繼續(xù)優(yōu)化算法，例如在模型中加入評論等多個維度的屬性；在內(nèi)容影響力方面加入內(nèi)容畫像的質(zhì)量分+文章本身的得分，而不僅僅局限于優(yōu)質(zhì)、蜂首、采納回答等等，來更加準確地挖掘用戶內(nèi)容貢獻能力，完善馬蜂窩用戶標簽體系。

本文作者：于允飛 & 張陽，馬蜂窩推薦架構(gòu) & 用戶畫像研發(fā)工程師。

（題圖來源：網(wǎng)絡(luò)）

關(guān)注馬蜂窩技術(shù)，找到更多你想要的內(nèi)容