http://www.cnblogs.com/xing901022/p/7128398.html

用戶畫像在大數據分析中是一種很有用的系統，它可以各種不同的系統中，起到很關鍵的作用。比如搜索引擎、推薦系統、內容系統等等，可以幫助應用實現千人千面、個性化、精準等的效果。

下面將從幾個方面來說一下，什么是用戶畫像，主要的內容來自《用戶網絡行為畫像分析與內容推薦應用》這本書。

應用場景
數據來源
特性
建模
群體畫像
畫像的存儲
畫像的查詢
畫像的更新

圖片來自京東——想要購買可以點這里跳轉

應用場景

下面舉幾個很典型的場景：

搜索引擎

在搜索的時候考慮用戶的畫像標簽，返回用戶感興趣的內容。比如同一個關鍵字“諸葛亮”，王者榮耀的愛好者搜索的時候應該返回“諸葛亮”相關的內容，比如如何加銘文、如何五殺等等；而歷史愛好者搜索的時候，應該返回三國相關的內容。

推薦系統

推薦系統可以根據用戶的喜好和特征，也就是用戶的畫像，推薦相關的內容。比如，給一個用戶定位的畫像是美妝達人，那么就應該給她多推送一些面膜護膚之類的東西，而不是推一堆零食。

內容推薦

比如新聞類的產品或者讀書類的產品，根據用戶的喜好不同，展現不同的內容。

數據來源

用戶畫像的數據來源主要包括兩個方面：

屬性數據，這部分數據一般是用戶的注冊信息，也可以是從其他數據中分析得出的。比如生日、性別、住址、愛好等
行為數據，這部分數據一般都是用戶的訪問日志記錄的行為數據。比如常用的一些后端日志數據、前端埋點數據等等。

通過這兩部分的數據，就能刻畫出用戶的畫像，其實就是給用戶打上一個標簽，比如高富帥、白富美等等。

特性

用戶畫像具有很明顯的動態性和時空局部性。

在用戶的數據中，屬性信息一般不會改變；但是行為數據是隨時會發生變化的，比如用戶看了一個新的電影、閱讀了新的文章等。這時它的數據就是動態變化的，這部分數據應該動態的更新到用戶的畫像上。
時間上，用戶的一些需求是很快會發生變化的，比如最近下雨，用戶想要買一把傘，如果幾天后才捕捉到用戶的需求，此時天都晴了；另一方面，空間上，用戶在不同的領域喜好也不同，可能在新聞領域用戶是一個嚴重的軍事迷，但是在網購時，又是一個小清新，因此需要考慮到不同空間用戶不同的需求場景，刻畫對應的畫像。

用戶畫像建模

用戶的畫像分為定量畫像和定性畫像，網上也沒有找到這兩種明確的定義。不過參考1的文章中是這樣定義的：

定性畫像，是指在小規模的數據中分析出的用戶的畫像，比如問卷調查，訪談等等
定量畫像，是在大規模的數據中分析的，比如日志等

這一塊的內容，理解的并不好....以后會多加補充

基于標簽的畫像

在用戶的定性畫像中，標簽化是核心。即把用戶的畫像變成一個一個的標簽，那么在考慮標簽化的同時，需要注意下面的幾個方面：

如何定義標簽?標簽的名稱、類別、取值
如何解釋標簽？標簽的語義描述
如何推理標簽？標簽實現的過程
如何驗證標簽？定義是否合理，推導是否合理

基于知識的畫像（個人理解）

知識工程，在百科中的解釋是：

“知識工程”的產生，把人類所專有的文化、科學、知識、思想等同現代機器聯系起來，形成了人——機系統。

即需要領域專家（有經驗的老業務）配合來做機器智能的分析。

知識工程的大體過程為：知識的獲取-->驗證-->表示-->推論-->解釋和理由

在用戶畫像中，就是配合用戶和物品的屬性，建立對應關系，這部分的對應關系需要知識專家進行鑒別推理和構建。比如有一些“專家”會把電影分為幾類，愛情片、動作片、科幻片、恐怖片，這些都是需要領域專家來設定的，而不是靠人工分層分類1分類2分類3...

構建的過程

在構建用戶畫像時，大致可以按照下面的步驟：

構建領域詞匯：不同的領域會有不同專業的詞匯，描繪人的、電影的、書籍的詞匯都是不同的。這部分可以參考其他同類的產品，如果是獨創的領域，那么就需要這個領域資深的“玩家”來定義了。
確定分類之間的層次：畫像也是有層次的，比如電影的里面的人分為演員、導員、觀眾等。需要對標簽（畫像）歸類處理。
定義屬性：為不同的畫像定義屬性，包括對象屬性和數值屬性。比如在電影的場景中，對象屬性是上映的時間、導演，數值屬性是觀看量、時長等。
定義實例：實例就是最終的畫像，是由分類和屬性組成的。
定義約束：這個是描述一個物品的規則，比如電影是由（名稱、類型、時長、導演、主演）等等屬性組成的，那么任何一個電影都可以由這種方式來定義。

群體用戶畫像

用戶畫像是用來描述目標用戶的畫像，而群體畫像則是對一類相似的用戶的描述。比如成熟穩重型、可愛蘿莉型等。

那么如何定義群體畫像呢？可以按照下面的步驟：

獲取用戶畫像
計算用戶畫像的相似度
用戶畫像聚類
群體用戶畫像生成

定義用戶畫像之間的相似度

計算用戶畫像之間的相似度，可以參考下面的公式：

其中wk表示第k個畫像的權重，比如在電影里面，用戶喜歡的電影類型比重要比電影的時長重要的多，在計算相似度的時候權重也應該更大一些。

計算相似度有很多中方法，比如：歐氏距離、曼哈頓距離、夾角余弦、皮爾遜相關系數、杰卡德距離等，每一種都有自己適合的場景。

畫像聚類

畫像聚類的方式有很多，比如K-means，原理就是隨機幾個點，看各個點的數據跟哪個點接近，就歸為哪一類。然后不斷調整中心點，達到最終聚合的效果。

用戶畫像存儲

用戶畫像有很多中表示的方法，比如：

關鍵詞法，用一對的關鍵詞描述畫像，這種方式最容易理解
評分矩陣法，用二維矩陣的方式，通過評分表示。這種在協同過濾中很常見
向量空間表示法，這種是基于向量的方式描述畫像
本體表示法，不太懂

不同的表示方法，對于存儲的方式來說，也會不同。

一般用戶畫像常用的存儲引擎有：

關系型數據庫，通過中間表的方式存儲用戶和畫像之間的關系，有點就是查詢快、缺點就是數據量大的時候扛不住。
NoSql數據庫，常見的就是鍵值數據庫（Redis）列數據庫（Hbase）文檔數據庫（mongodb）圖數據庫（neo4j）等，每種數據庫都有自己適合的場景。
數據倉庫，數據倉庫是一種面向主題的存儲,可以更好的解決領域分析的問題。而且它保留了數據的時間變化，對于分析歷史來說，非常有幫助。但是不適合實時查詢。

用戶畫像的查詢

用戶畫像的場景下：

1 對于畫像的查詢要求是高并發、高聚合，比如會有很多人查詢它自己的畫像；也會通過一個畫像屬性，查詢所有相關的人。
2 在畫像的查詢中，大量的查詢都是重復的，因此可以著重考慮緩存機制。

用戶畫像更新

在畫像的更新方面，需要考慮的問題是：

1 如何實時獲取變化的畫像？
2 如何設置合適的更新觸發條件？
3 如何設計高效的算法？

對于獲取用戶的信息，可以把用戶逇信息分為靜態信息數據和動態信息數據，

更新的機制

一種是設置更新的條件，比如購買達到1w元，立馬升級成VIP標識
一種是設置固定的時間周期，更新畫像。這種最簡單，直接沒天凌晨跑一個畫像的更新任務就行了。
另一種是從增量的數據中計算畫像，然后對比舊的數據，考慮是否更新用戶的畫像。

以上就是用戶畫像的基本內容，也是《用戶網絡行為畫像分析與內容推薦應用》這本書的第一部分，后續會更新其他的部分。

參考

1 什么是定性畫像、什么是定量畫像？http://www.jianshu.com/p/3750d9349b71 2 《用戶網絡行為畫像分析與內容推薦應用》想要電子版的私M。~

總結

以上是生活随笔為你收集整理的推荐系统那点事 —— 什么是用户画像？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。