2026《关于用户画像的研究文献综述》4600字.docxVIP

关于用户画像的研究文献综述

目录

TOC\o1-3\h\u30707关于用户画像的研究文献综述 1

279541.1用户画像概述 1

87161.2用户画像相关算法研究 2

22831.3客户画像在统计方面的应用 5

14973参考文献 5

1.1用户画像概述

随着互联网技术的发展，对于国内的大数据从业者来说，目前的用户画像是利用互联网的优势收集的标签集合构成，通过对用户群体的行为特性进行概述选择、清洗、统计、进行分析解读和详细解释的相关技术，也就是使用标签对用户进行描述，主要内容包括用户的基本信息、行为爱好，浏览特性，存在潜在风险和消费预览等行为习惯，进行统计分析和数据挖掘。对于企业而言，用户画像能够帮助企业发现各种各样类型的用户的特点，包括人口特性，社会特性，用户消费画像，用户行为画像等。人口的基本属性包括：姓名、性别、年龄、手机联系方式、邮箱、教育程度、婚姻情况、工作行业与事业等。社会特性包括家庭、公司、社交场合等。用户消费画像包括用户对内容的消费时间，消费间隔、消费周等等。对用户行为画像是用户活跃与行为属性，偏好、兴趣和需求等。用户画像成为企业发展技术不可或缺的功能组件。对于各个行业和领域，企业所关注点也略有不同，电商企业的用户画像主要选择于用户的网络购物兴趣和消费选择能力，通过分析不同类型用户的基础信息和行为个性，归纳总结用户特性，网站就可以准确锁定目标用户群体，可以进一步了解发现潜在客户群体的需求，提供广告的投放量从而提高其营销效果，促进个性化营销的策划选项，其群体画像构建采用客户的隐形数据，不同于客户的性别、年龄、教育程度等属性数据。隐形反馈数据是根据客户的预览记录，输入查询，点击查看等多方面的数据综合，并且与客户提出和填写不同，存在客观的特性更加准确的反应客户的消费需求和爱好。

当今社会现状，用户画像构成的最严重的问题也是当今最需要解决的问题是，存在于用户信息获取的时效性和多重多方面性。网络用户则主要集中于95后、00后，其适应性强，效率高，兴趣爱好随着事态的发展随之改变速度较快，因此需要提高用户构建模型的全面性且能够以最快速度提取信息。对此类用户进行画像描绘时，不仅要注意数据真实性，准确保证后续分析当下最近数据，而且在数据中准确识别出与之前的不同，新的兴趣偏向，定位其新的发展趋势，因此才可以准确时效的将用户信息构建完整的模型，用来表达用户偏好的特征，其另一种方面，数据的多重结合也成为其难点之一。为了更好的构建完美的数据模型库，使其更加全面，不仅需要用户的基础信息作为其基本，还需要其动态资源，并融合用户的不同渠道获取的信息量，且在不同类型的社交网站所表达的信息，也同样体现出在不同方面的不同特征。例如，同一个用户会在微博平台分享日常，同时会在豆瓣标注和平论自己所欣赏的电影书籍等兴趣爱好，这两者都是对于深刻描绘用户特征的重要元素。可将同一用户在不同社交软件上的不同状态进行整合，互相补充，也可对于建立用户模型具有一定的作用。在解决这一问题的同时，也可保证不同网站不同账户下的用户为同一用户。而相比国外也有众多学者对此进行研究讨论，并设计了账户匹配算法，尝试通过用户基本属性的相似程度来实现跨平台用户识别。

1.2用户画像相关算法研究

客户画像指标体系的构建及流程构建

（1）决策树技术

关于数据挖掘算法，主要有决策树ID3算法[12][13][14][15]、C4.5算法[16][17][18]和随机算法[19][20][21]等内容。决策树算法分别是由特征的选择、决策树的形成方式以及决策树的分叉分支三个部分。它最早问世在于上世纪60年代到70年代末[22]。由JRossQuinlan提出了ID3算法，这种算法解决了树的研究深度的问题所在，但与此同时叶子数量的研究也被忽视[23]。C4.5算法在ID3算法的基础规律下又进行了新的数据重新编辑，对于预测变量的缺少数值的处理问题、剪少树枝技术、派生规则等方面有了较大的改进，既对于分类问题有一定的改造，又可以将最后结果重新概况在问题本身，所以国内外的众多院校、研究机构以及企业都在该领域进行过长期的讨论研究和改进[24]。

线性回归算法

随机森林技术

随机森林是一个包含多种分支的一种决策树的总体归纳，并将其分类，并且其输出的类型是由个别树枝进行扩散以众数而定。这个术语是在1995年由贝尔实验室提出的随机决策森林(Randomdecisionforests)而来的，制作决策树的集合[25]。

（3）序列模式挖掘算法

序列模式挖掘算法的适用范围较广泛，如商业、医学、教育等一些重要领域。常见的顺序模式挖掘算法包括:AprioriAll,GSP,SPADE,SPAM,FreeSpan和PrefixSpan