关于用户画像那些事,看这一文章就够了

  • 时间:
  • 浏览:1
  • 来源:uu快3新平台_uu快3诀窍_讨论群

提取用户画像,前要处理海量的日志,花费几瓶时间和人力。尽管是没了高成本的事情,大要素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。

用户底部形态的提取即用户画像的生产过程,大致可不前要分为以下几步:

原文发布时间为:2018-12-7

本文作者:杨杰

本文来自云栖社区企业媒体合作伙伴“数据分析”,了解相关信息可不前要关注“ecshujufenxi”微信公众号



用户画像的生产

点评

社交网站的用户画像,也会提取用户的社交网络,从中可不前要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。

下面以用户性别为例,具体介绍底部形态提取的过程:

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,现在大伙儿儿说的用户画像又涵盖了新的内涵——通常用户画像是根据用户人口学底部形态、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哪几次多标签化的用户模型。构建用户画像的核心工作,主就说 利用存储在服务器上的海量日志和数据库里的几瓶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底部形态的标识。具体的标签形式可不前要参考下图某网站给其中哪几次多用户打的标签。



用户画像的作用

大体上可不前要总结为以下哪几次方面:

用户画像的内容

消费能力指用户的购买力,可能做得足够细致,可不前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,分别建立底部形态纬度。



**应用示例:个性化推荐

**

以电商网站的四种 页面的个性化推荐为例,考虑到底部形态的可解释性、易扩展和模型的计算性能,越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。越多推荐场景前会 用到基于商品的协同过滤,而基于商品协同过滤的核心是哪几次多商品相关性矩阵W,假设有n个商品,没了W就说 哪几次多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底部形态,可不前要把用户表示成哪几次多n维的底部形态向量U=[ i1, i2, ..., in ]。于是UW可不前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。可能把相关系数w11, w12, ..., w1n 看成要求的变量,没了就可不前要用LR模型,代入训练集用户的行为向量U,进行求解。那我哪几次多初步的LR模型就训练出来了,效果和基于商品的协同过滤类式。

1.提取用户另一方填写的资料,比如注册时可能活动中填写的性别资料,哪些数据准确率一般很高。

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底部形态,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。

这时只用到了用户的行为底部形态要素,而人口属性、网购偏好、内容偏好、消费能力和环境底部形态等并且 上下文还没了利用起来。把以上底部形态加入到LR模型,一并加带带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,进一步优化训练那我的LR模型。从而最大程度利用可能提取的用户画像数据,做到更精准的个性化推荐。

用户画像涉及到几瓶的数据处理和底部形态提取工作,往往前要用到多数据来源,且多人并行处理数据和益成底部形态。并且 ,前要哪几次多数据管理系统来对数据统一进行合并存储和分发。大伙儿儿的系统以约定的目录底部形态来组织数据,基本目录层级为:/user_tag/属性/日期/来源_作者/。以性别底部形态为例,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。

另外还可不前要加带用户的环境属性,比如当前时间、访问地点LBS底部形态、当地天气、节假日情况表等。

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

精确有效的用户画像,依赖于从几瓶的数据中提取正确的底部形态,这前要哪几次多强大的数据管理系统作为支撑。网易大数据产品体系中涵盖的一站式大数据开发与管理平台 – 网易猛犸,正是在网易内部管理实践中打磨形成的,不不都可以 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。

用户画像是当前大数据领域的四种 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益产流程。

用户画像涵盖的内容不须完整性固定,根据行业和产品的不同所关注的底部形态就有不同。对于大要素互联网公司,用户画像前会 涵盖人口属性和行为底部形态。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、婚姻情况表、生育情况表、工作所在的行业和职业等。行为底部形态主要涵盖活跃度、忠诚度等指标。

数据管理系统

从要素来源提取的数据可信度是不同的,越多各来源提取的数据前要给出一定的权重,约定一般为0-1之间的哪几次多概率值,那我系统在做数据的自动合并时,只前要做简单的加权求和,并归一化输出到集群,存储到并且定义好的Hive表。接下来就说 数据增量更新到HBase、ES、Spark集群等更多应用服务集群。

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。

没了用户画像哪些作用,能帮助大伙儿儿达到哪些目标呢?

除了以上较通用的底部形态,不类式型的网站提取的用户画像各有侧重点。

用户画像的含义