uu快3充值_uu快3回血_新平台

关于用户画像那些事,看这一文章就够了

时间:2020-02-09 01:25:26 出处:uu快3充值_uu快3回血_新平台

用户画像的内容

应用示例:个性化推荐

下面以用户性别为例,具体介绍形态提取的过程:

4.另外还有一些形态也能 利用,比如用户访问过的网站,老要 访问一些美妆或老婆服饰类网站,是老婆的而且性就高;访问体育军事类网站,是男性的而且性就高。还有用户上网的时间段,老要 半夜三更三更上网的用户男性的而且性就高。把哪几种形态加入到LR分类器进行训练,也能提高一定的数据覆盖率。



除了以上较通用的形态,不例如型的网站提取的用户画像各有侧重点。



消费能力指用户的购买力,而且做得足够细致,也能 把用户的实际消费水平和在每个类目的心理消费水平区分开,分别建立形态纬度。



数据管理系统

精确有效的用户画像,依赖于从多量的数据中提取正确的形态,这还要4个 强大的数据管理系统作为支撑。网易大数据产品体系含高高的一站式大数据开发与管理平台 – 网易猛犸,正是在网易内控 实践中打磨形成的,也能为用户画像及后续的业务目标实现提供数据传输、计算和作业流调度等基础能力,有效降低大数据应用的技术门槛。

提取用户画像,还要处理海量的日志,花费多量时间和人力。尽管是那末高成本的事情,大每项公司还是希望能给另一方的用户做一份足够精准的用户画像。

2.提取用户的称谓,如文本含高提到的对方称呼,例如:xxx先生/女士,这人 数据也比较准。

另外还也能 添加用户的环境属性,比如当前时间、访问地点LBS形态、当地天气、节假日状况等。

用户画像含高的内容何必 全版固定,根据行业和产品的不同所关注的形态就有不同。对于大每项互联网公司,用户画像就有含高人口属性和行为形态。人口属性主要指用户的年龄、性别、所在的省份和城市、教育程度、情感的说说状况、生育状况、工作所在的行业和职业等。行为形态主要含高活跃度、忠诚度等指标。

电商购物网站的用户画像,一般会提取用户的网购兴趣和消费能力等指标。网购兴趣主要指用户在网购时的类目偏好,比如服饰类、箱包类、居家类、母婴类、洗护类、饮食类等。

3.根据用户姓名预测用户性别,这是4个 二分类问题,也能 提取用户的名字每项(百家姓与性别那末相关性),而且用朴素贝叶斯分类器训练4个 分类器。过程中遇到了生僻字问题,比如“甄嬛”的“嬛”,而且在名字中再次出现 的少,而且分类器无法进行正确分类。考虑到汉字就有由偏旁部首组成,且偏旁部首也常常具有特殊含义(好多好多 与性别具有相关性,比如草字头倾向老婆,金字旁倾向男性),大家利用五笔输入法分解单字,再把名字本身 和五笔打法的字母同时倒入LR分类器进行训练。比如,“嬛”字的打法:『 女V+罒L+一G+衣E = VLGE 』,这里的女字旁就很有老婆倾向。

1.精准营销:精准直邮、短信、App消息推送、个性化广告等。

2.用户研究:指导产品优化,甚至做到产品功能的私人定制等。

3.个性服务:个性化推荐、个性化搜索等。

4.业务决策:排名统计、地域分析、行业趋势、竞品分析等。

点评

用户画像的含义

以电商网站的本身 页面的个性化推荐为例,考虑到形态的可解释性、易扩展和模型的计算性能,好多好多 线上推荐系统采用LR(逻辑回归)模型训练,这里也以LR模型举例。好多好多 推荐场景就有用到基于商品的协同过滤,而基于商品协同过滤的核心是4个 商品相关性矩阵W,假设有n个商品,那末W好多好多 4个 n n的矩阵,矩阵的元素wij代表商品Ii和Ij之间的相关系数。而根据用户访问和购买商品的行为形态,也能 把用户表示成4个 n维的形态向量U=[ i1, i2, ..., in ]。于是UW也能 看成用户对每个商品的感兴趣程度V=[ v1, v2, ..., vn ],这里v1即是用户对商品I1的感兴趣程度,v1= i1w11 + i2w12 + in*w1n。而且把相关系数w11, w12, ..., w1n 看成要求的变量,那末就也能 用LR模型,代入训练集用户的行为向量U,进行求解。原本4个 初步的LR模型就训练出来了,效果和基于商品的协同过滤例如。

从每项来源提取的数据可信度是不同的,好多好多 各来源提取的数据还要给出一定的权重,约定一般为0-1之间的4个 概率值,原本系统在做数据的自动合并时,只还要做简单的加权求和,并归一化输出到集群,存储到很久定义好的Hive表。接下来好多好多 数据增量更新到HBase、ES、Spark集群等更多应用服务集群。



用户形态的提取即用户画像的生产过程,大致也能 分为以下几步:

当然,对于特定的网站或App,肯定又有特殊关注的用户纬度,就还要把哪几种维度做到更加细化,从而能给用户提供更精准的个性化服务和内容。

原文发布时间为:2018-07-15

本文作者:杨杰

本文来自云栖社区公司协作 伙伴“数据分析”,了解相关信息也能 关注“数据分析”

社交网站的用户画像,也会提取用户的社交网络,从中也能 发现关系紧密的用户群和在社群中起到意见领袖作用的明星节点。

那末用户画像有哪几种作用,能帮助大家达到哪几种目标呢?

用户画像(persona)的概念最早由交互设计之父Alan Cooper提出:“Personas are a concrete representation of target users.” 是指真实用户的虚拟代表,是建立在一系列属性数据之上的目标用户模型。随着互联网的发展,现在大家说的用户画像又含高了新的内涵——通常用户画像是根据用户人口学形态、网络浏览内容、网络社交活动和消费行为等信息而抽象出的4个 标签化的用户模型。构建用户画像的核心工作,主好多好多 利用存储在服务器上的海量日志和数据库里的多量数据进行分析和挖掘,给用户贴“标签”,而“标签”是能表示用户某一维度形态的标识。具体的标签形式也能 参考下图某网站给其中4个 用户打的标签。

用户画像是当前大数据领域的本身 典型应用,也普遍应用在多款网易互联网产品中。本文基于网易的实践,深入浅出地解析了用户画像的原理和珍产流程。

用户画像的生产

1.用户建模,指确定提取的用户形态维度,和还要使用到的数据源。

2.数据分派,通过数据分派工具,如Flume或另一方写的脚本线程池池运行,把还要使用的数据统一存倒入Hadoop集群。

3.数据清理,数据清理的过程通常处于Hadoop集群,就有而且与数据分派同时进行,这人 步的主要工作,是把分派到各种来源、杂乱无章的数据进行字段提取,得到关注的目标形态。

4.模型训练,一些形态而且无法直接从数据清理得到,比如用户感兴趣的内容或用户的消费水平,那末也能 通过分派到的已知形态进行学习和预测。

5.属性预测,利用训练得到的模型和用户的已知形态,预测用户的未知形态。

6.数据合并,把用户通过各种数据源提取的形态进行合并,并给出一定的可信度。

7.数据分派,对于合并后的结果数据,分派到精准营销、个性化推荐、CRM等各个平台,提供数据支持。

用户画像涉及到多量的数据处理和形态提取工作,往往还要用到多数据来源,且多人并行处理数据和珍成形态。而且,还要4个 数据管理系统来对数据统一进行合并存储和分派。大家的系统以约定的目录形态来组织数据,基本目录层级为:/user_tag/属性/日期/来源_作者/。以性别形态为例,开发者dev1从用户姓名提取的性别数据存放路径为 /user_tag/gender/20170101/name_dev1,开发者dev2从用户填写资料提取的性别数据存放路径为 /user_tag/gender/20170102/raw_dev2。

这时只用到了用户的行为形态每项,而人口属性、网购偏好、内容偏好、消费能力和环境形态等一些上下文还那末利用起来。把以上形态加入到LR模型,同时再添加目标商品自身的属性,如文本标签、所属类目、销量等数据,如下图所示,进一步优化训练原本的LR模型。从而最大程度利用而且提取的用户画像数据,做到更精准的个性化推荐。

用户画像的作用

以内容为主的媒体或阅读类网站,还有搜索引擎或通用导航类网站,往往会提取用户对浏览内容的兴趣形态,比如体育类、娱乐类、美食类、理财类、旅游类、房产类、汽车类等等。

1.提取用户另一方填写的资料,比如注册时而且活动中填写的性别资料,哪几种数据准确率一般很高。

大体上也能 总结为以下几个方面:

热门

热门标签