用户画像标签是推荐系统的重要输入，但标签多不等于有用。构建标签体系应先从业务目标反推：排序模型需要哪些维度的用户表征，哪些标签能实际提升区分度，避免为了丰富而堆砌大量低价值标签。
标签分为静态属性、行为统计和兴趣偏好三类。静态属性稳定但区分度有限；行为统计时效性强，需要明确窗口和更新频率；兴趣偏好通常由模型打分生成，要关注置信度和衰减机制，避免陈旧兴趣长期主导推荐。
标签质量评估看覆盖率、准确率和时效性。覆盖率低的标签在冷启动用户上会大面积缺失，需要设计默认值或降级策略。准确率可通过抽样人工标注验证，时效性则要监控标签更新延迟和分布漂移。
标签使用要有版本管理。标签定义变更后，历史特征与新特征不可直接混用训练，否则模型会学到口径切换带来的伪模式。建议为标签建立血缘文档，记录来源、计算逻辑和变更历史。
