? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 用戶畫像系統

1 用戶畫像概述

1.1?什么是用戶畫像

用戶畫像就是對現實世界中用戶的數學建模。現實世界的用戶通過自己各種各樣的行為，瀏覽購買，或者收藏，等等這些行為會把自己的興趣愛好等體現在這些行為中，比如喜歡看書就會有很多購買書的行為，行為就會把興趣愛好暴露出來，我們就是要基于用戶建模，把他興趣的維度給劃分清楚體現出來，才能充分了解用戶。

用戶畫像是描述用戶的數據，是符合特定需求的對用戶形式化的描述，源于現實又高于現實。用戶畫像是通過分析挖掘用戶盡可能得到多的數據信息。

1.2 用戶畫像作用

用戶精細化營銷：廣告推送給誰，優惠券如何發放等

商戶精細化支持：活動精準推送，定價策略

個性化：商品推薦，購物推薦

趨勢預測：銷售預測，票房預測

大數據報告：

?

2 用戶標簽畫像

2.1 什么是標簽

標簽是某一種用戶特征的符號表示，在商家眼里你會被貼上各種各樣的標簽比如男性，高富帥，高學歷等等。一個人有很多標簽，當商家想要了解客戶的時候就要基于這些標簽來生成用戶畫像，所以用戶畫像其實就是一個整體，包含了多個維度（由不同的標簽的集合組成的），所以，用戶畫像可以用標簽的集合來表示。

2.2 用戶標簽的數學描述

用戶標簽的數學表示就是維度和特征空間，標簽是特征空間中的維度，比如說你的基本信息就是你的性別和年齡，通過性別和年齡構成一個二維空間，這個二維空間可以把任何用戶放到這個空間中去，這個二維空間就是非常簡單的特征空間。在實際當中你的標簽可能上百，上千，上萬個。

每個標簽都是特征空間中的基向量（向量：有方向有大小的量），基向量之間有關聯，不一定是正交的

用戶畫像本質就是特征空間中的高維向量

用戶標簽舉例引用下圖

3 用戶畫像系統流程

總體來用，可以分成離線部分和在線部分，用戶畫像所需要的基礎數據需要離線的先存儲下來，再基于里面的數據進行建模，在線部分使得業務更加完善更加充實，所以總體大的部分是在離線這一端去做的。傳統數據倉庫也是一樣的，在數據倉庫中按照主題建模也會包含到用戶畫像這個過程。

流程分為5個步驟：

（1）明確問題：①追求數據的的匹配；②明確需求，是分類問題，還是聚類問題，還是推薦等③數據的規模，重要特征的覆蓋度等

（2）數據預處理：進來的數據是多種多樣的，如日志數據，第三方合作伙伴傳過來接口的數據，這些數據都不是很規范，對同一個維度的表述有各自的標準，比如說男女的描述，有些用M|F，有些用0|1表示。①數據的集成，數據的冗余，數值的沖突，②數據采樣③數據清洗，缺失值處理，噪聲數據

（3）特征工程：①特征提取，業務日志，web抓取的數據，第三方數據②特征處理，特征清洗，特征預處理，如值處理，特征選擇，特征組合，降維③特征監控，指標的實效性，覆蓋率，異常值

（4）模型算法：統計，分類，回歸，聚類，語義，高維偏好等

（5）產生：如個性化推薦，個性化廣告

4 用戶畫像架構

5 性別預測分析步驟

（1）明確問題：①屬于數據挖掘中的哪一類分類，聚類還是推薦等？年齡預測屬于分類問題；②數據集規模，數據集是否夠大？分類需要大數據集；③問題假設，數據是否滿足所有問題的假設？男女的行為是否不同，比如買手機行為不帶有性別特征，買口紅，香煙等就帶有性別特征。

（2）數據預處理：

（3）特征工程：①單個特征分析：1）數值型特征的處理，如使用app時長，可用高，中，低三個檔次，將啟動次數分段成離散值；2）類別型特征的處理，如用戶使用的設備是華為，或者小米，這是類別特征，可用采用0-1編碼來處理；3）數據歸一化。

②多個特征分析：1）設備類型是否決定了類型？做相關性分析，計算相關系數。2）app啟動次數和停留時長完全正相關，結果表明特別相關，去掉停留時長或啟動次數；2）如果特征太多，需要做降維處理

③文本數據處理的典型步驟：網頁-》分詞-》去停用次-》向量化。 分詞可以采用jieba分詞；去停用詞，停用詞表除了加入常規的停用詞外，還可將DF較高的詞加入停用詞表；向量化一般是將文本轉換為TF或TF-IDF向量

④算法和模型：1:）選擇算法需要考慮的因素，如訓練集的大小，特征維度的大小，要解決的問題是否是線性可分的，所有特征是獨立的嗎，需不需要考慮過擬合問題，對性能有哪些要求等。

⑤算法和模型的評價：分類模型采用混淆矩陣，可參見分類模型評估的文章https://blog.csdn.net/weixin_43786255/article/details/100174121

?

總結

以上是生活随笔為你收集整理的用户画像系统的全部內容，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。