关于用户画像那些事,看这一文章就够了

  • 时间:
  • 浏览:5

点评

用户画像的作用

用户画像涉及到血块的数据防止和行态提取工作,往往须要用到多数据来源,且多人并行防止数据和联 成行态。但会 ,须要有有俩个数据管理系统来对数据统一进行合并存储和整理。我们歌词 歌词 我们歌词 歌词 的系统以约定的目录行态来组织数据,基本目录层级为:/user_tag/属性/日期/来源_作者/。以性别行态为例,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。

数据管理系统

消费能力指用户的购买力,可能性做得足够细致,须要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,分别建立行态纬度。

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

用户画像的含义

用户画像是当前大数据领域的这人 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联 产流程。



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。

用户画像富含 的内容从不删剪固定,根据行业和产品的不同所关注的行态都是不同。对于大累积互联网公司,用户画像都是富含 人口属性和行为行态。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、感情状况、生育状况、工作所在的行业和职业等。行为行态主要富含 活跃度、忠诚度等指标。

以电商网站的这人 页面的个性化推荐为例,考虑到行态的可解释性、易扩展和模型的计算性能,不要 不要 不要 不要 有线上推荐系统采用LR(逻辑回归)模型训练,这里也以LR模型举例。不要 不要 不要 不要 有推荐场景都是用到基于商品的协同过滤,而基于商品协同过滤的核心是有有俩个商品相关性矩阵W,假设有n个商品,那末W只是有有俩个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行态,须要把用户表示成有有俩个n维的行态向量U=[ i1, i2, ..., in ]。于是UW须要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。可能性把相关系数w11, w12, ..., w1n 看成要求的变量,那末就须要用LR模型,代入训练集用户的行为向量U,进行求解。曾经有有俩个初步的LR模型就训练出来了,效果和基于商品的协同过滤类事。

4.另外还有不要 不要 行态须要利用,比如用户访问过的网站,老要访问不要 不要 美妆或女孩子服饰类网站,是女孩子的可能性性就高;访问体育军事类网站,是男性的可能性性就高。还有用户上网的时间段,老要夜晚上网的用户男性的可能性性就高。把哪十几个 行态加入到LR分类器进行训练,里能 提高一定的数据覆盖率。

那末用户画像有哪十几个 作用,能帮助我们歌词 歌词 我们歌词 歌词 达到哪十几个 目标呢?

从累积来源提取的数据可信度是不同的,不要 不要 不要 不要 有各来源提取的数据须要给出一定的权重,约定一般为0-1之间的有有俩个概率值,曾经系统在做数据的自动合并时,只须要做简单的加权求和,并归一化输出到集群,存储到完后 定义好的Hive表。接下来只是数据增量更新到HBase、ES、Spark集群等更多应用服务集群。

社交网站的用户画像,也会提取用户的社交网络,从中须要发现关扎牢密的用户群和在社群中起到意见领袖作用的明星节点。

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,这是有有俩个二分类问题报告 图片,须要提取用户的名字累积(百家姓与性别那末相关性),但会 用朴素贝叶斯分类器训练有有俩个分类器。过程中遇到了生僻字问题报告 图片,比如“甄嬛”的“嬛”,可能性在名字中出显 的少,但会 分类器无法进行正确分类。考虑到汉字都是由偏旁部首组成,且偏旁部首也常常具有特殊含义(不要 不要 不要 不要 有与性别具有相关性,比如草字头倾向女孩子,金字旁倾向男性),我们歌词 歌词 我们歌词 歌词 利用五笔输入法分解单字,再把名字这人 和五笔打法的字母一块儿贴到 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女孩子倾向。

这时只用到了用户的行为行态累积,而人口属性、网购偏好、内容偏好、消费能力和环境行态等不要 不要 上下文还那末利用起来。把以上行态加入到LR模型,一块儿再上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,进一步优化训练曾经的LR模型。从而最大程度利用可能性提取的用户画像数据,做到更精准的个性化推荐。

应用示例:个性化推荐

用户画像的生产

提取用户画像,须要防止海量的日志,花费血块时间和人力。尽管是那末高成本的事情,大累积公司还是希望能给自己的用户做一份足够精准的用户画像。

当然,对于特定的网站或App,肯定又有特殊关注的用户纬度,就须要把哪十几个 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。



1.用户建模,指取舍提取的用户行态维度,和须要使用到的数据源。

2.数据整理,通过数据整理工具,如Flume或自己写的脚本应用守护进程,把须要使用的数据统一存贴到 Hadoop集群。

3.数据清理,数据清理的过程通常处于Hadoop集群,都是可能性与数据整理一块儿进行,这人 步的主要工作,是把整理到各种来源、杂乱无章的数据进行字段提取,得到关注的目标行态。

4.模型训练,不要 不要 行态可能性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,那末须要通过整理到的已知行态进行学习和预测。

5.属性预测,利用训练得到的模型和用户的已知行态,预测用户的未知行态。

6.数据合并,把用户通过各种数据源提取的行态进行合并,并给出一定的可信度。

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

除了以上较通用的行态,不类事型的网站提取的用户画像各有侧重点。



原文发布时间为:2018-07-15

本文作者:杨杰

本文来自云栖社区合作方式方式 伙伴“数据分析”,了解相关信息须要关注“数据分析”

精确有效的用户画像,依赖于从血块的数据中提取正确的行态,这须要有有俩个强大的数据管理系统作为支撑。网易大数据产品体系富富含 的一站式大数据开发与管理平台 – 网易猛犸,正是在网易实物实践中打磨形成的,里能 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。

1.提取用户自己填写的资料,比如注册时可能性活动中填写的性别资料,哪十几个 数据准确率一般很高。

另外须要上加用户的环境属性,比如当前时间、访问地点LBS行态、当地天气、节假日状况等。

下面以用户性别为例,具体介绍行态提取的过程:

大体上须要总结为以下十几个 方面:

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行态,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。



用户行态的提取即用户画像的生产过程,大致须要分为以下几步:

用户画像的内容

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,现在我们歌词 歌词 我们歌词 歌词 说的用户画像又富含 了新的内涵——通常用户画像是根据用户人口学行态、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有有俩个标签化的用户模型。构建用户画像的核心工作,主只是利用存储在服务器上的海量日志和数据库里的血块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行态的标识。具体的标签形式须要参考下图某网站给其富含 晒 俩个用户打的标签。