大数据后的用户画像.pdfVIP

下载本文档

5
0
约2.63千字
约 17页
2019-03-26 发布于江苏
举报
版权申诉

大数据后的用户画像.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

大数据后的用户画像主讲人：周涛 CATALOG 目录 01 02 03 What Why How 1 What 用户画像 01 What - Alan Cooper （交互设计之父）最早提出了persona 的概念:“Personas are a concrete representation of target users.” - Persona 是真实用户的虚拟代表,是建立在一系列真实数据 (Marketing data,Usability data)而抽象出的一个标签化的用户模型。 - 构建用户画像的核心工作即是给用户打“标签”，而标签是通过对用户信息分析挖掘而来的高度精炼的特征标识。 2 Why 画像浅析 02 Why 算法用户行为数据标签真实有效 - 用户的属性和行为的可逆性越强，个群数据的特征越明显，标签和用户属体体性匹配的准确率越高。匹配？大数据 3 How 性别模型 03 How 性别模型：基于安装包列表推测用户的性别安装列行为标签表 1. 数据分析 - 行为 安装列表：验证数据的真实性 先验知识 - 安装列表 标签：验证数据的有效性 后验先验 03 How 2. 特征选取 2.1 one-hot特征：0-1向量 • 若有APP集合中有5个，分别为0, 1, 2, 3, 4 • 用户A安装了0,1,2，其one-hot特征为[1, 1, 1, 0, 0] • 用户B安装了0,4,5，其one-hot特征为[1, 0, 0, 1, 1] + 编码简洁，基准特征 - 维度过高 03 How 2. 特征选取 2.2 类别特征：app映射成类别 • 每个APP映射成类别集合中的一个或多个类型 + 加入先验知识，高度归纳package属性；降低维度 - 严重依赖先验知识，类别的选取较依赖标签 03 How 2. 特征选取 2.3 几率特征 * ( =| = ) = ( =| = ) + 后验；降低维度 - support低的package计算较为敏感 03 How 3. 模型构建 3.1 Logistic Regression * + 模型简单，计算量小，可解释性强