如何根据用户行为，构建模型产出标签、权重。
一个事件模型包括：时间、地点、人物三个要素。
每一次用户行为本质上是一次随机事件，可以详细描述为：什么用户，在什么时间，什么地点，做了什么事。
1、什么用户？who
用户标识的目的是为了区分用户、单点定位。
2、什么时间？when
时间包括两个重要信息，时间戳+时间长度。
时间戳，标识用户行为的时间点，通常采用精度到秒的时间戳即可。
时间长度，为了标识用户在某一页面的停留时间。
3、什么地点 ？where
用户接触点，Touch Point。
对于每个用户接触点。潜在包含了两层信息：网址 + 内容。网址：每一个url链接（页面/屏幕），即定位了一个互联网页面地址，或者某个产品的特定页面。
可以是PC上某电商网站的页面url，也可以是手机上的微博，微信等应用某个功能页面，某款产品应用的特定画面。
如，长城红酒单品页，微信订阅号页面，某游戏的过关页。
4、内容？what
每个url网址（页面/屏幕）中的内容。
可以是单品的相关信息：类别、品牌、描述、属性、网站信息等等。
如，红酒，长城，干红，对于每个互联网接触点，
其中网址决定了权重；内容决定了标签。
注：接触点可以是网址，也可以是某个产品的特定功能界面。
如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。
商品的售卖价值，不在于成本，更在于售卖地点。
标签均是矿泉水，但接触点的不同体现出了权重差异。
这里的权重可以理解为用户对于矿泉水的需求程度不同。即，愿意支付的价值不同。
标签 权重
矿泉水 1 // 超市
矿泉水 3 // 火车
矿泉水 5 // 景区
类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。
这里的关注点是不同的网址，存在权重差异，权重模型的构建，需要根据各自的业务需求构建。
所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。
5、什么事？how
用户行为类型，对于电商有如下典型行为：浏览、添加购物车、搜索、评论、购买、点击赞、收藏 等等。
不同的行为类型，对于接触点的内容产生的标签信息，具有不同的权重。
如，购买权重计为5，浏览计为1
红酒 1 // 浏览红酒
红酒 5 // 购买红酒
综合上述分析，用户画像的数据模型，可以概括为下面的公式：
用户标识 + 时间 + 行为类型 + 接触点（网址+内容），
某用户因为在什么时间、地点、做了什么事。所以会打上**标签。
用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子r，行为类型、网址决定了权重，内容决定了标签，进一步转换为公式：
标签权重=衰减因子×行为权重×网址子权重
如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡萄酒信息。
标签：红酒，长城
时间：因为是昨天的行为，假设衰减因子为：r=0.95
行为类型：浏览行为记为权重1
地点：品尚红酒单品页的网址子权重记为 0.9（相比京东红酒单品页的0.7）
假设用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不在综合商城选购。
则用户偏好标签是：红酒，权重是0.95*0.7 * 1=0.665，即，用户Ａ：红酒 0.665、长城 0.665。
上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，
这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。
总结
核心在于对用户接触点的理解，接触点内容直接决定了标签信息。
内容、地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。
比如：影视产品，看了一部电影《英雄本色》，可能产生的标签是：周润发 0.6、枪战 0.5、港台 0.3。