用户画像标签建模.docxVIP

用户画像标签建模 用户画像标签建模 用户相对稳定的信息，如下图，主要包括人口属性、商业属性等方面数据。这类信息，自成标签，如果公司有真切信息则无需过多建模预测，更多的是数据冲洗工作，因此这方面信息的数据建模不是本篇文章重点。 动向信息数据 目标剖析 用户画像的目标是经过剖析用户行为，最终为每个用户打上标签，以及该标签的权重。 标签，表征了内容，用户对该内容有兴趣、偏好、需求等等。 权重，表征了指数，用户的兴趣、偏好指数，也可能表征用户的需求度，能够简单的理解为可信度，概率。 数据建模方法 怎样根据用户行为，建立模型产出标签、权重。一个事件模型包括：时间、地址、人物三个要素。每一次用户行为本质上是一次随机事件，能够详尽描绘为：什么用户，在什么时间，什么地址，做了什么事。什么用户：重点在于对用户的表记，用户表记的目的是为了划分用户、单点定位。 什么时间：时间包括两个重要信息，时间戳+时间长度。时间戳，为 了表记用户行为的时间点，如，1395121950（精度到秒）， 1395121950.083612（精度到微秒），往常采用精度到秒的时间戳 即可。因为微秒的时间戳精度并不可靠。浏览器时间精度，正确度最 多也只能到毫秒。时间长度，为了表记用户在某一页面的停留时间。 什么地址：用户接触点，TouchPoint。关于每个用户接触点。潜在 包含了两层信息：网址+内容。网址：每一个url链接（页面/屏幕）， 即定位了一个互联网页面地址，或许某个产品的特定页面。能够是 PC上某电商网站的页面url，也能够是手机上的微博，微信等应用 某个功能页面，某款产品应用的特定画面。如，长城红酒单品页，微 信定阅号页面，某游戏的过关页。 内容：每个url网址（页面/屏幕）中的内容。能够是单品的有关信 息：类型、品牌、描绘、属性、网站信息等等。如，红酒，长城，干 红，关于每个互联网接触点，其中网址决定了权重；内容决定了标签。 注：接触点能够是网址，也能够是某个产品的特定功能界面。如，同 样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地址。标签均是矿泉水，但接触点的不同体现出了权重差别。这里的权重能够理解为用户关于矿泉水的需求程度不同。即，愿意支付的价值不同。 标签 权重 矿泉水 1// 超市 矿泉水 3// 火车 矿泉水 5// 景区 所以，网址本身表征了用户的标签偏好权重。网址对应的内容体现了标签信息。 什么事：用户行为种类，关于电商有如下典型行为：浏览、增添购物 车、搜寻、评论、购置、点击赞、收藏等等。 不同的行为种类，关于接触点的内容产生的标签信息，拥有不同的权重。如，购置权重计为5，浏览计为1 综合上述剖析，用户画像的数据模型，能够归纳为下面的公式：用户表记+时间+行为种类+接触点（网址+内容），某用户因为在什么时间、地址、做了什么事。所以会打上标签。 用户标签的权重可能随时间的增加而衰减，因此定义时间为衰减因子 ，行为种类、网址决定了权重，内容决定了标签，进一步变换为公式： 标签权重=衰减因子×行为权重×网址子权重 如：用户A，昨天在品尚红酒网浏览一瓶价值238元的长城干红葡 萄酒信息。 标签：红酒，长城 时间：因为是昨天的行为，假定衰减因子为：r=0.95 行为种类：浏览行为记为权重1 地址：品尚红酒单品页的网址子权重记为0.9（相比京东红酒单品页 的0.7） 假定用户对红酒出于真的喜欢，才会去专业的红酒网选购，而不再综合商城选购。 则用户偏好标签是：红酒，权重是  0.95*0.7*1=0.665  ，即，用户 Ａ：红酒0.665、长城0.665。 上述模型权重值的选用只是举例参照，详细的权重值需要根据业务需 求二次建模，这里强调的是怎样从整体思考，去建立用户画像模型， 进而能够逐步细化模型。 总结： 本文并未波及详细算法，更多的是阐述了一种剖析思想，在计划建立用户画像时，能够给您提供一个系统性、框架性的思维指导。 核心在于对用户接触点的理解，接触点内容直接决定了标签信息。内容地址、行为种类、时间衰减，决定了权重模型是重点，权重值本身的二次建模则是瓜熟蒂落的进阶。模型举例偏重电商，但其实，能够根据产品的不同，从头定义接触点。 比方影视产品，我看了一部电影《英雄本色》，可能产生的标签是： 周润发0.6、枪战0.5、港台0.3。 最后，接触点本身并不一定有内容，也能够泛化理解为某种阈值，某 个行为超过多少次，达到多长时间等。 比方游戏产品，典型接触点可能会是，重点任务，重点指数（分数） 等等。如，积分超过1万分，则标记为钻石级用户。钻石用户1.0。 百分点现已全面应用用户画像技术于介绍引擎中，在对某电商客户， 针对活动页新访客的应用中，依赖用户画像产生的个性化效果，对照 热卖榜，介绍效果有显著提升：