用户行为数据采集是标签生成基础，需在浏览、搜索等关键节点埋点，区分显隐性行为；标签分三层：基础属性、行为统计、语义/模型标签；需实时更新与衰减，Java实现强调轻量可扩展，用Redis+MySQL混合存储。
用户行为数据采集是标签生成的基础
没有行为数据，标签就是空谈。需要在关键节点埋点：浏览、搜索、点击、收藏、加购、下单、评论、停留时长、分享等。比如用户连续3天搜索“Java面试题”，系统应记录为高频搜索词；用户反复点击Spring Boot相关文章，可标记为“技术栈偏好：Spring Boot”。注意区分显性行为（下单）和隐性行为（页面停留超2分钟），后者常被忽略但对兴趣判断很关键。
标签分类与分层设计让体系更可控
直接堆砌标签会导致混乱。建议分三层：
- 基础属性标签：性别、年龄区间、城市、设备类型、注册渠道——来自用户注册或设备识别，稳定不变
- 行为统计标签：7日活跃次数、近30天阅读Java类文章12篇、收藏后端技术内容占比85%——用滑动时间窗口+聚合计算，定期更新
- 语义/模型标签：初级开发者、面试准备中、源码阅读爱好者——由规则引擎或轻量模型（如TF-IDF+关键词匹配、简单LR）从行为中推导，带置信度
标签实时更新与衰减机制避免“过期兴趣”
用户兴趣会迁移。不能让半年前的一次点击长期影响推荐。常见做法：
- 对行为打时间戳，按权重衰减：当天行为权重=1.0，3天前=0.7，7天前=0.4，30天前=0.1
- 设置标签生命周期：例如“新学Kotlin”标签若连续14天无相关行为，自动降权或归档
- 用Redis Sorted Set存用户-标签分值，score为加权后的兴趣强度，zrange可快速取TopN标签
Java实现关键点：轻量、可扩展、易维护
不追求大而全，先跑通闭环：
立即学习“Java免费学习笔记（深入）”；
- 用red">Map
暂存单个用户的标签分值，key是标签名（如"topic_java"），value是当前强度 - 定义TagRule接口，不同行为对应不同实现类（ClickTagRule、OrderTagRule），方便插拔规则
- 异步处理：行为日志写入Kafka，消费端用Flink或简单线程池做实时打标，避免阻塞主流程
- 标签存储选型：高频读写用Redis（Hash存用户标签，ZSet存全局热门标签）；需复杂查询或审计用MySQL冷备
