大数据构建用户标签体系详解（35页）.pptxVIP

大数据构建标签体系

。用户标签体系。从埋点说标签系统的意义。标签系统的应用。标签的前世今生。标签的定义。常用算法。标签的量化方法。标签验证及稳定性验证。标签系统。数据拉通之上帝视角。系统介绍。三大调用模式（批量、个体、检索）目录

不管有用没用，先收集再说按需求埋点，还是全埋点？数据存储压力数据清洗压力需求仍然难以满足数据价值难体现标签系统需要的大量属性信息是全埋点较难解决的从埋点说起

对于有产品系列的公司容易出现数据各自为政的现象数据孤岛埋点规范不一跨产品困难良好的标签体系规划可以引导各产品的埋点，形成产品矩阵使数据价值在不同产品上分别体现 标签系统的意义

o“更懂”用户的三大类应用场景o[在线]提升用户体验，如利用关联规则，向不同人群推广不同游戏o[近线]提升业务转化率，如消息推送、个性推荐、广告投放等o[离线]利于用户研究，如分析R7男女老少用户分别都有哪些特征？ 标签的应用场景

准精全 大数据下标签系统的变化

标签系统的线上应用场景消息推送付费意愿猜你喜欢大家还喜欢

创建时长最近是否活跃创建日期最后活跃日期N天是否留存1个月老用户最近7天有活跃生命周期 用户标签的繁衍基础标签需求标签衍生标签????????

。标签的定义。常用算法。标签的量化方法。标签验证及稳定性验证。标签系统。数据拉通之上帝视角。系统介绍。三大调用模式（批量、个体、检索）。用户标签体系。从埋点说标签系统的意义。标签系统的应用。标签的前世今生目录

标签体系化零为整标签之间并不孤立，标签集合构成用户画像标签是用户某一特征的符号化标签集合构成用户的整体画像 用户标签的定义化整为零每个标签都是我们观察、描述用户的一个角度

用户标签开发-总览游戏生命周期付费意愿人口属性(性别,年龄,…)生活轨迹兴趣(APP,Web,壁纸…)身份特征(白领,屌丝…)分类(贝叶斯,SVM,逻辑回归,随机森林…)聚类主题分析(SVD,LDA…)皮尔逊相关系数LASSOPCATFIDF卡方检验决策树LDA机型使用行为付费行为版本下载行为*事实标签预测标签挖掘标签特征选择特征生成WEB搜索词视频播放WEB搜索词视频播放听歌记录壁纸/主题听歌记录壁纸/主题APP使用WEB浏览APP使用WEB浏览统计SQL方法线性回归内容位置……位置……离散化归一化组合

分类回归聚类主题模型主要问题:1.适用场景2.效果评价3.计算性能有监督无监督 用户标签开发-算法标签开发常见算法

用户标签开发-算法-分类将未知分类的样本划分到已知的类别里?

关键点：?每个决策或事件（即自然状态）都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成图形很像一棵树的枝干?找到最好的特征来进行划分?如果尚未划分完全，则在剩下的特征里找到最好的特征来进行划分，以此类推?特征的“好坏”量化一般采用香农熵 用户标签开发-算法-分类是否是否月收入是否超过2万是否有车否决策树贷款不贷款贷款是贷款是否有房

关键点：?随机的方式建立一个森林，森林里面有很多的决策树组成?根据每棵树的结果进行投票决定属于哪种分类?多个弱的分类器组成一个强的分类器 用户标签开发-算法-分类随机森林决策树决策树决策树……

用户标签开发-算法-分类关键点：?Logistic回归是一种广义线性回归，其输出范围在[0,1]之间，表示分类结果为1的可能性Logistic回归

用户标签开发-算法-回归关键点：?通过最小二乘法找到Y=AX的参数?可通过变换将原来非线性的转化为线性的线性回归

用户标签开发-算法-聚类聚类将样本空间进行分割或者划分

用户标签开发-算法-聚类K-Means方法：?把n个点划分到k个聚类中，使得每个点都属于离他最近的聚类中心对应的类别?点之间的距离有多种定义，常用的距离计算方法有欧式距离，余弦距离等。选用那种方法需要具体问题具体分析K=3K=4

。布尔值/