从用户维度拆解 GEO 内容千人千面智能适配
GEO（地理维度）千人千面：同一套内容池，基于用户地理位置 + 用户属性 + 行为偏好，给不同地域用户输出差异化内容、排序、文案、素材、权益、钩子，不是简单改城市名字，是从用户个体视角做地理感知的智能适配。核心逻辑：用户是谁→用户在哪→用户关心什么地域信息→内容做对应适配分发。
下面完全站在用户维度拆解，不侧重后台算法工程，把分层、因子、适配策略、落地案例、指标全部梳理清楚。
一、先明确：用户维度的分层框架
从用户视角，把一个用户拆成 4 层要素，GEO 千人千面就是用这四层共同驱动内容适配：
- 用户静态地理属性（用户 “在哪”）
- 用户画像属性（用户是谁）
- 用户行为时序偏好（用户爱看什么）
- 用户场景与需求意图（用户当下想干嘛）
核心误区：很多 GEO 适配只拿「用户所在城市」做一刀切，真正千人千面是同一个城市内部不同用户，内容也不一样。
二、第一层：用户静态 GEO 属性（地理底座)
这是基础输入，粒度从粗到细，用户维度不是只看定位城市，要区分注册地、当前定位地、常住地、历史到访地、家乡，同一用户多个地理标签。
👉 用户维度关键：同一个城市 A，有本地常住用户、来 A 出差用户、来 A 旅游用户、老家是 A 但现在外地的用户，4 类人看到的 GEO 内容完全不同。举例：同样定位成都
- 常住成都用户：优先本地探店、通勤、政策、市井民生
- 来成都旅游用户：优先景点、酒店、美食打卡攻略
- 老家成都在外打工：优先成都家乡热点、返乡相关内容
三、第二层：用户画像属性（用户是谁，和 GEO 交叉）
地理只是环境，千人千面要把用户画像 × GEO 标签做交叉，实现 “同一个地方，不同人看不同内容”。
用户画像维度
- 人口属性：年龄、性别、收入、职业
- 消费属性：消费层级、生活方式（宝妈 / 学生 / 打工人 / 退休）
- 用户身份：本地人 / 新迁入 / 外来游客 / 返乡人群
交叉适配示例（定位同一个城市）
- 22 岁大学生（在西安上学）：优先西安探店、夜市、学生优惠、周边短途旅游
- 45 岁本地土著：优先本地政务、学区、楼市、社区民生、本地新闻
- 短期来西安游客：兵马俑、城墙、打卡路线、酒店攻略
关键点：GEO 不是内容的唯一开关，画像是用来做地域内容池内部重排序。系统先召回该地域候选内容，再根据用户画像做打分重排。
四、第三层：用户行为偏好（用户历史行为，GEO 兴趣标签）
用户维度，不光看用户在哪，还要看用户对哪些地域内容有偏好，构建用户的「GEO 兴趣向量」。
用户行为信号（全部从用户行为埋点获取）
- 正向行为：点击、完播、点赞、收藏、搜索、评论某地域相关内容
例：经常搜三亚攻略 → 用户打上【三亚高兴趣标签】，哪怕当前不在三亚，也会推送三亚内容
- 负向行为：划走、不感兴趣、屏蔽某地域内容
- 搜索意图：用户主动搜 “杭州美食”“广州租房” 属于强 GEO 意图，优先级高
两种典型用户现象
- 物理位置≠兴趣位置：用户人在北京，但一直关注云南旅游，此时不能只给北京本地内容，需要混合北京本地 + 云南种草内容。
- 地域兴趣衰减：曾经关注某地，很久没有交互，降低该地域内容权重。
智能适配策略
- 强意图优先：用户主动搜索某城市，短期提升该城市内容权重；
- 混合内容池：本地基础内容 + 用户感兴趣异地内容，不是全部只推本地；
- 负反馈闭环：用户多次划走本地内容，适度降低本地内容占比，扩异地内容。
五、第四层：用户场景 & 意图（用户当下需求，触发 GEO 适配）
同样一个用户，同样地理位置，不同场景下看到的 GEO 内容不一样。识别用户当下的业务意图，做动态适配。
常见用户场景
- 日常浏览场景：刷 feed 信息流 → 70% 本地相关 +30% 感兴趣异地内容
- 出行场景：节假日、购票行为、搜索目的地 → 大量推送目的地攻略
- 返乡场景：临近春节，定位外地，家乡标签激活，推送家乡相关
- 办事刚需场景：搜索社保、落户、上学 → 强本地政务服务内容
用户维度重点：千人千面是动态的，不是用户静态标签固定死，场景变化，GEO 内容配比动态调整。
六、完整：用户维度下 GEO 千人千面的执行链路（端到端）
站在用户视角，一条内容如何完成智能适配
- 采集用户多源 GEO 信号：实时定位、常住地、家乡、历史到访；叠加用户画像、历史行为、实时搜索 / 场景信号
- 生成用户 GEO 偏好向量：输出：本地权重、家乡权重、各个异地城市兴趣得分、负向屏蔽地域
- 内容召回：根据用户地域标签，召回候选内容池（包含本地、高兴趣异地）
- 重排序打分（核心千人千面）
- 地理分：内容地域与用户各 GEO 标签匹配度
- 用户画像分：内容题材匹配用户人群属性
- 行为偏好分：历史对该地域题材的交互
- 场景意图分：当下用户场景权重
- 内容层智能改写（不止排序，内容本身适配）
- 文案钩子：对本地用户讲市井生活；游客讲打卡攻略；异乡人讲家乡情怀
- 素材卡片：展示本地门店 / 本地景点，不同用户卡片信息不一样
- 附属信息：权益、地址、服务提示，按用户 GEO 替换
- 透出给用户：不同用户，同一位置刷出来内容列表不同
- 反馈闭环：收集用户点击划走，迭代更新用户 GEO 偏好标签
七、用户维度需要区分的 3 种 GEO 适配模式
很多人混淆，从用户体验区分：
- 地域过滤模式：直接过滤不属于该地区的内容。缺点：所有人同一城市看到差不多，只能做到 “千人一面的地域版”，不是千人千面。
- 加权重排模式（主流千人千面）：不粗暴过滤，地域相关内容打分提升，结合用户画像行为重排。同一城市不同用户结果差异大。
- 内容动态变体模式：同一母内容，生成多套地域变体，根据用户 GEO + 用户身份推送不同文案 / 素材版本，真正做到内容本身千人千面。
八、用户维度评估指标（怎么衡量 GEO 千人千面效果）
不要只看大盘，要拆分不同用户分组看指标：
- 分用户分组：本地常住用户 / 游客 / 异乡家乡用户，分别看点击率、完播、停留时长
- 差异化指标：同一城市下，不同用户个体的内容列表相似度（越低代表千人千面效果越好）
- 负反馈指标：本地内容的 “不感兴趣” 率；异地兴趣内容的交互
- 意图满足：用户有明确地域需求时，相关内容触达率
九、业务常见坑（从用户视角出发）
- 只依赖实时定位：出差用户，临时定位外地，疯狂推送出差地本地内容，忽略常住地，用户体验差。必须多 GEO 标签融合，不能单一定位驱动。
- 过度本地化：不管用户兴趣，全部只推本地，看不到感兴趣异地内容。
- 缺少用户负反馈：用户不想要本地内容，无法降低本地权重。
- 只做排序不做内容变体：内容文案素材统一，只是换顺序，适配深度不足。
补充：举一个完整例子
用户：常住上海，家乡重庆，现在上海上班，计划国庆去西安旅游；26 岁白领。
- GEO 标签：当前定位上海｜常住上海｜家乡重庆｜高兴趣西安
- 内容适配结果：
- 基础：上海本地通勤、探店内容（基础供给）
- 家乡：穿插重庆家乡热点美食（家乡标签）
- 兴趣目的地：优先透出西安旅游攻略（行为兴趣）
- 如果是另一个同样定位上海，但无出行计划，老家安徽的 50 岁用户：内容池会变成上海民生 + 安徽家乡内容，几乎不会出现西安旅游。
如果你需要，我可以进一步输出：
- 产品 PRD 视角：GEO 千人千面用户侧需求文档要点；
- 或者拆解算法侧特征体系；
- 或者短视频 / 资讯 APP 的落地案例。
