需求 #24724
<p>背景：</p>
<p>在日益精细化运营的情况下，根据用户偏好推荐合适的商品，能够提升用户的转化</p>
<p>目的：</p>
<p>将用户偏好形成用户标签，在各个业务场景能够使用</p>
<p>PRD描述：</p>
<p> http://192.168.1.244:7777/newOS/24725/</p>
<p>新增11个标签，分别为</p>
<p>1、运费满足</p>
<p>2、退货敏感</p>
<p>3、一级品类偏好</p>
<p>4、二级品类偏好</p>
<p>5、三级品类偏好</p>
<p>6、风格偏好</p>
<p>7、买手偏好</p>
<p>8、档口偏好</p>
<p>9、主播偏好</p>
<p>10、一级市场偏好</p>
<p>11、二级市场偏好</p>
<p> </p>
<p> </p>
<p> </p>
<p>开发分支：</p>
<p>api:feature/0701#24724用户偏好标签第一期</p>
<p>DML:</p> <p>DDL:</p>
<p>INSERT INTO `fmys_user_tag_market` (`tag_id`, `tag_name`, `tag_key`, `tag_value`, `parent_id`, `tag_desc`, `tag_person_count`, `level`, `create_time`, `tag_type`, `update_cover_rate_type`, `cover_rate`)<br />
VALUES<br />
(337, '运费满足', '', '', 329, '运费满足', 0, 2, 0, 0, 2, 0.00),<br />
(338, '满足', 'freight_meet_flag', '1', 337, '当天用户有效运费券的数量/近30天（专场日）使用运费工具（运费券、包邮次数）的有效订单<50% ', 0, 3, 0, 0, 2, 0.00),<br />
(339, '不满足', 'freight_meet_flag', '2', 337, '当天用户有效运费券的数量/近30天（专场日）使用运费工具（运费券、包邮次数）的有效订单>=50% ', 0, 3, 0, 0, 2, 0.00),<br />
(340, '退货敏感', '', '', 325, '退货敏感', 0, 2, 0, 0, 2, 0.00),<br />
(341, '敏感', 'refund_sensitive_flag', '1', 340, '两者满足其一\n 1、历史曾经购买过一次退货月卡\n 2、近90天购买件数>=30件，且退货比>=4.5%（近90天有下过单的用户）', 0, 3, 0, 0, 2, 0.00),<br />
(342, '不敏感', 'refund_sensitive_flag', '2', 340, '两者都不满足\n 1、历史曾经购买过一次退货月卡\n 2、近90天购买件数>=30件，且退货比>=4.5%（近90天有下过单的用户）', 0, 3, 0, 0, 2, 0.00),<br />
(343, '一级品类偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的一级品类偏好为女装。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的一级品类，得出用户的一级品类偏好得分中占比最高为女装，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(344, '二级品类偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的二级品类偏好为上装。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的二级品类，得出用户的二级品类偏好得分中占比最高为上装，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(345, '三级品类偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的三级品类偏好为衬衫。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的三级品类，得出用户的三级品类偏好得分中占比最高为衬衫，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(346, '风格偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的风格偏好为韩版。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的风格，得出用户的风格偏好得分中占比最高为韩版，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(347, '买手偏好', '', '', 318, '定义：（举例）-（定规则）\n\n1、根据算法计算用户的买手偏好为林源野。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的买手，得出用户的买手偏好得分中占比最高为林源野，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(348, '档口偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的档口偏好为3-B-326-走路带风。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的档口，得出用户的档口偏好得分中占比最高为3-B-326-走路带风，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(349, '一级市场偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的一级市场偏好为杭州四季青。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的一级市场，得出用户的一级市场偏好得分中占比最高为杭州四季青，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(350, '二级市场偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的二级市场偏好为杭州意法。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的二级市场，得出用户的二级市场偏好得分中占比最高为杭州意法，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(351, '直播偏好', '', '', 317, '直播偏好', 0, 1, 0, 2, 2, 0.00),<br />
(352, '主播偏好', '', '', 351, '定义：（举例）\n\n1、根据算法计算用户的一手主播偏好为花椒。通过统计用户在直播间的浏览时长，将不同的直播间的浏览时长归属到对应的主播，得出用户的直播浏览时长占比最高为花椒，且近30天浏览直播时长>=5s的样本才是可信的（因为>=5s才能覆盖到近7天的80%支付用户，83%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00);</p>
<p>DDL:</p>
<p> ALTER TABLE `yishou`.`fmys_data_user_feature` <br />
ADD COLUMN `freight_meet` tinyint(1) NOT NULL DEFAULT '0' COMMENT '运费满足 1满足 2不满足',<br />
ADD COLUMN `refund_sensitive` tinyint(1) NOT NULL DEFAULT '0' COMMENT '退货敏感 1：敏感 2：不敏感';</p>
<p> ALTER TABLE `yishou`.`fmys_new_user_feature` <br />
ADD COLUMN `good_category_grade_first_id` int(11) NOT NULL DEFAULT '0' COMMENT '一级商品分类id',<br />
ADD COLUMN `good_category_grade_second_id` int(11) NOT NULL DEFAULT '0' COMMENT '二级商品分类id',<br />
ADD COLUMN `good_category_grade_third_id` int(11) NOT NULL DEFAULT '0' COMMENT '三级商品分类id',<br />
ADD COLUMN `new_style_id` int(11) NOT NULL DEFAULT '0' COMMENT '新风格id',<br />
ADD COLUMN `buyer_id` int(11) NOT NULL DEFAULT '0' COMMENT '买手id',<br />
ADD COLUMN `supply_id` int(11) NOT NULL DEFAULT '0' COMMENT '档口id',<br />
ADD COLUMN `market_first_id` int(11) NOT NULL DEFAULT '0' COMMENT '一级市场id',<br />
ADD COLUMN `market_second_id` int(11) NOT NULL DEFAULT '0' COMMENT '二级市场id',<br />
ADD COLUMN `anchor_id` int(11) NOT NULL DEFAULT '0' COMMENT '主播id';</p>
<p>ES-MAPPING：</p>
<p> PUT yishou_goods_lib/_mapping/goods_lib<br />
{<br />
"properties" : {<br />
"freight_meet_flag" : {<br />
"type" : "integer"<br />
},<br />
"refund_sensitive_flag" : {<br />
"type" : "integer"<br />
},<br />
"good_category_grade_first" : {<br />
"type" : "integer"<br />
},<br />
"good_category_grade_second" : {<br />
"type" : "integer"<br />
},<br />
"good_category_grade_third" : {<br />
"type" : "integer"<br />
},<br />
"new_style_tag" : {<br />
"type" : "integer"<br />
},<br />
"buyer_tag" : {<br />
"type" : "integer"<br />
},<br />
"supply_tag" : {<br />
"type" : "integer"<br />
},<br />
"market_first_tag" : {<br />
"type" : "integer"<br />
},<br />
"market_second_tag" : {<br />
"type" : "integer"<br />
},<br />
"anchor_tag" : {<br />
"type" : "integer"<br />
}<br />
}<br />
}</p> <p> </p>
<p> </p>
<p> </p>
<p>在日益精细化运营的情况下，根据用户偏好推荐合适的商品，能够提升用户的转化</p>
<p>目的：</p>
<p>将用户偏好形成用户标签，在各个业务场景能够使用</p>
<p>PRD描述：</p>
<p> http://192.168.1.244:7777/newOS/24725/</p>
<p>新增11个标签，分别为</p>
<p>1、运费满足</p>
<p>2、退货敏感</p>
<p>3、一级品类偏好</p>
<p>4、二级品类偏好</p>
<p>5、三级品类偏好</p>
<p>6、风格偏好</p>
<p>7、买手偏好</p>
<p>8、档口偏好</p>
<p>9、主播偏好</p>
<p>10、一级市场偏好</p>
<p>11、二级市场偏好</p>
<p> </p>
<p> </p>
<p> </p>
<p>开发分支：</p>
<p>api:feature/0701#24724用户偏好标签第一期</p>
<p>DML:</p> <p>DDL:</p>
<p>INSERT INTO `fmys_user_tag_market` (`tag_id`, `tag_name`, `tag_key`, `tag_value`, `parent_id`, `tag_desc`, `tag_person_count`, `level`, `create_time`, `tag_type`, `update_cover_rate_type`, `cover_rate`)<br />
VALUES<br />
(337, '运费满足', '', '', 329, '运费满足', 0, 2, 0, 0, 2, 0.00),<br />
(338, '满足', 'freight_meet_flag', '1', 337, '当天用户有效运费券的数量/近30天（专场日）使用运费工具（运费券、包邮次数）的有效订单<50% ', 0, 3, 0, 0, 2, 0.00),<br />
(339, '不满足', 'freight_meet_flag', '2', 337, '当天用户有效运费券的数量/近30天（专场日）使用运费工具（运费券、包邮次数）的有效订单>=50% ', 0, 3, 0, 0, 2, 0.00),<br />
(340, '退货敏感', '', '', 325, '退货敏感', 0, 2, 0, 0, 2, 0.00),<br />
(341, '敏感', 'refund_sensitive_flag', '1', 340, '两者满足其一\n 1、历史曾经购买过一次退货月卡\n 2、近90天购买件数>=30件，且退货比>=4.5%（近90天有下过单的用户）', 0, 3, 0, 0, 2, 0.00),<br />
(342, '不敏感', 'refund_sensitive_flag', '2', 340, '两者都不满足\n 1、历史曾经购买过一次退货月卡\n 2、近90天购买件数>=30件，且退货比>=4.5%（近90天有下过单的用户）', 0, 3, 0, 0, 2, 0.00),<br />
(343, '一级品类偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的一级品类偏好为女装。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的一级品类，得出用户的一级品类偏好得分中占比最高为女装，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(344, '二级品类偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的二级品类偏好为上装。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的二级品类，得出用户的二级品类偏好得分中占比最高为上装，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(345, '三级品类偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的三级品类偏好为衬衫。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的三级品类，得出用户的三级品类偏好得分中占比最高为衬衫，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(346, '风格偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的风格偏好为韩版。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的风格，得出用户的风格偏好得分中占比最高为韩版，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(347, '买手偏好', '', '', 318, '定义：（举例）-（定规则）\n\n1、根据算法计算用户的买手偏好为林源野。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的买手，得出用户的买手偏好得分中占比最高为林源野，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(348, '档口偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的档口偏好为3-B-326-走路带风。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的档口，得出用户的档口偏好得分中占比最高为3-B-326-走路带风，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(349, '一级市场偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的一级市场偏好为杭州四季青。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的一级市场，得出用户的一级市场偏好得分中占比最高为杭州四季青，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(350, '二级市场偏好', '', '', 318, '定义：（举例）\n\n1、根据算法计算用户的二级市场偏好为杭州意法。通过用户对商品的点击/收藏/加购/购买行为，计算商品偏好得分，根据商品将不同的偏好得分归属到对应的二级市场，得出用户的二级市场偏好得分中占比最高为杭州意法，且近30天商品偏好得分>=217的样本才是可信的（因为>=217才能覆盖到近7天的80%支付用户，54%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00),<br />
(351, '直播偏好', '', '', 317, '直播偏好', 0, 1, 0, 2, 2, 0.00),<br />
(352, '主播偏好', '', '', 351, '定义：（举例）\n\n1、根据算法计算用户的一手主播偏好为花椒。通过统计用户在直播间的浏览时长，将不同的直播间的浏览时长归属到对应的主播，得出用户的直播浏览时长占比最高为花椒，且近30天浏览直播时长>=5s的样本才是可信的（因为>=5s才能覆盖到近7天的80%支付用户，83%登录用户），最高占比相同则为多个偏好', 0, 2, 0, 2, 2, 0.00);</p>
<p>DDL:</p>
<p> ALTER TABLE `yishou`.`fmys_data_user_feature` <br />
ADD COLUMN `freight_meet` tinyint(1) NOT NULL DEFAULT '0' COMMENT '运费满足 1满足 2不满足',<br />
ADD COLUMN `refund_sensitive` tinyint(1) NOT NULL DEFAULT '0' COMMENT '退货敏感 1：敏感 2：不敏感';</p>
<p> ALTER TABLE `yishou`.`fmys_new_user_feature` <br />
ADD COLUMN `good_category_grade_first_id` int(11) NOT NULL DEFAULT '0' COMMENT '一级商品分类id',<br />
ADD COLUMN `good_category_grade_second_id` int(11) NOT NULL DEFAULT '0' COMMENT '二级商品分类id',<br />
ADD COLUMN `good_category_grade_third_id` int(11) NOT NULL DEFAULT '0' COMMENT '三级商品分类id',<br />
ADD COLUMN `new_style_id` int(11) NOT NULL DEFAULT '0' COMMENT '新风格id',<br />
ADD COLUMN `buyer_id` int(11) NOT NULL DEFAULT '0' COMMENT '买手id',<br />
ADD COLUMN `supply_id` int(11) NOT NULL DEFAULT '0' COMMENT '档口id',<br />
ADD COLUMN `market_first_id` int(11) NOT NULL DEFAULT '0' COMMENT '一级市场id',<br />
ADD COLUMN `market_second_id` int(11) NOT NULL DEFAULT '0' COMMENT '二级市场id',<br />
ADD COLUMN `anchor_id` int(11) NOT NULL DEFAULT '0' COMMENT '主播id';</p>
<p>ES-MAPPING：</p>
<p> PUT yishou_goods_lib/_mapping/goods_lib<br />
{<br />
"properties" : {<br />
"freight_meet_flag" : {<br />
"type" : "integer"<br />
},<br />
"refund_sensitive_flag" : {<br />
"type" : "integer"<br />
},<br />
"good_category_grade_first" : {<br />
"type" : "integer"<br />
},<br />
"good_category_grade_second" : {<br />
"type" : "integer"<br />
},<br />
"good_category_grade_third" : {<br />
"type" : "integer"<br />
},<br />
"new_style_tag" : {<br />
"type" : "integer"<br />
},<br />
"buyer_tag" : {<br />
"type" : "integer"<br />
},<br />
"supply_tag" : {<br />
"type" : "integer"<br />
},<br />
"market_first_tag" : {<br />
"type" : "integer"<br />
},<br />
"market_second_tag" : {<br />
"type" : "integer"<br />
},<br />
"anchor_tag" : {<br />
"type" : "integer"<br />
}<br />
}<br />
}</p> <p> </p>
<p> </p>
<p> </p>
