简单来说就是分析用户喜欢看的文章类型，得到用户的兴趣偏好，在这样的基础上，对用户进行内容的个性化推荐和push推送，来有效促进app的活跃并拉长用户生命周期。

这件事情简单来说其实就是两步走：

一是，给文章进行分类，也就是我们俗称的给文章打标签。

二是，给用户打标签，也就是用户阅读了哪些类型的文章，相应的就会获取到自己的兴趣偏好标签。

那么在实际操作中真的如此简单吗?看似简单的两个环节，究竟是如何实现的呢?

一般情况下有三种方式获取样本：

一是人工对文章进行标注，优点是准确，缺点是效率低，对于算法要求大量样本的要求，成本非常高。

而另一种方式则是通过一些开源网站提供的关键词进行模型训练，比如可以从搜狗词库获取，优点是成本低，但缺点也很明显，由于不同的分类体系对部分分类的理解不一致，导致分类并不够准确，后期需要耗费大量的人力进行矫正。

第三种方式是和一些资讯类app进行合作，获取他们的文章以及分类作为样本，例如目前做的比较好的如今日头条、uc等都是不错的选择。

获取样本以后，就是算法模型的训练及其检验了。算法模型的训练原理，即通过对样本文章进行分词，抽取实体，建立特征工程，将每一个特征词作为向量，拟合出一个函数，这样，当有新的文章时，该文章通过分词，并通过模型计算出结果。但模型并不是能够有样本一次性就能准确的，模型还需要进行测试和矫正。

APP开发

通过了测试的模型也并不是一劳永逸的，仍然可能在后期出现一些分类不准确的问题，这可能是样本造成的，也可能是算法模型造成的。这需要我们找出这些异常的文章及其分类，并矫正分类，再次作为训练样本投喂给模型，进行模型的矫正。一方面，我们可以对转化率比较低的分类的文章进行人工抽检，确定问题是否出在算法。另外，在这里，由于每一篇文章的标签都被赋予了一个值，我们可以为这些值设置一个阈值，当最高值低于某个阈值，这些文章及其标签将被召回，由人工进行标注和矫正，并在此投入样本库中。

文章标签的计算，由于文章具有多种标签的可能，并非一些二分类非此即彼的结果，因此我们采用的方式是，通过相似性算法，模型计算出文章的标签，并赋值，值越高则说明和这类标签越接近，并被打上相应标签。