网站域名授权怎么做,wordpress哪个模板好用吗,wordpress黑暗,新手做网站视频文章目录 第7章 用户画像7.1 什么是用户画像7.2 标签系统7.2.1 标签分类方式7.2.2 多渠道获取标签7.2.3 标签体系框架 7.3 用户画像数据特征7.3.1 常见的数据形式7.3.2 文本挖掘算法7.3.3 神奇的嵌入表示7.3.4 相似度计算方法 7.4 用户画像的应用7.4.1 用户分析7.4.2 精准营销7… 文章目录 第7章 用户画像7.1 什么是用户画像7.2 标签系统7.2.1 标签分类方式7.2.2 多渠道获取标签7.2.3 标签体系框架 7.3 用户画像数据特征7.3.1 常见的数据形式7.3.2 文本挖掘算法7.3.3 神奇的嵌入表示7.3.4 相似度计算方法 7.4 用户画像的应用7.4.1 用户分析7.4.2 精准营销7.4.3 风控领域 7.5 思考练习 这本书写的挺好干货满满。除了课后题有必要对内容做一下总结。 与文章框架保持一致基本在抄书……学渣的我…… 第7章 用户画像
7.1 什么是用户画像
机器学习中提到的用户画像通常是基于给定的数据对用户属性、行为进行描述然后提取个性化指标再以此分析可能存在的群体共性并落地应用到各种业务场景中。
7.2 标签系统
用户画像核心“打标签”即标签化用户的行为特征。 企业通过标签分析用户社会属性、生活习惯、消费行为商业应用
7.2.1 标签分类方式
直接拍了张照片因为我觉得我画的不如人家的好看而且还浪费时间。凑合看下了解即可
7.2.2 多渠道获取标签
获取标签的渠道主要有三种事实类标签、规则类标签、模型类标签。
事实类标签 来源于①原始数据性别、年龄、会员等级。 ②统计数据用户行为次数、消费总额。规则类标签 依据是设置的规则。 举例地域所属、家庭类型、年龄层 比如所在地在山东业务规则可以划分为“华北”也可以是”东部“也可以是“北方”。根据具体的业务规则会有不同的结 果标签这就是规则类标签。 规则类标签用到的主要技能是数理统计类知识基础统计、数值分层、概率分布、均值分析、方差分析等。 模型类标签 模型类标签是经过机器学习和深度学习等模型处理后二次加工生成的洞察性标签。 举例预测用户状态、预测用户信用分、划分兴趣人群和对评论文本进行分类等。 【总结】我的理解 规则类标签是基于用户历史行为对用户的行为、偏好、价值做出判断可以看作依然属于历史范畴。 模型类标签主要是对用户进行预测或者文本分类。可以认为是对未来、或者深层次的信息进行加工。两个方向未来、深度。
7.2.3 标签体系框架
包含四个部分数据源、标签管理、标签层级分类、标签服务赋能。
数据源离线、实时、第三方标签管理标签层级分类上面提到的三种标签事实类、规则类、模型类。标签服务赋能画像分析、选人选品、个性化推荐、风控建模、精准营销商业落地
7.3 用户画像数据特征
用户画像的数据来源主要有三种用户数据、商品数据、渠道数据。 可以通过统计、编码、降维提取有效特征构造标签
7.3.1 常见的数据形式
四种数值型变量、类别型变量、多值型变量、文本型变量。
数值型变量年龄、身高、体重、消费金额、流量累计。类别型变量性别、籍贯、所在城市一个用户对应一个结果结果非数值多值型变量兴趣爱好、穿衣风格、看过的电影一个用户对应多个结果文本型变量购物评论
7.3.2 文本挖掘算法
对原始数据出现的用户标签集合、购物评价做基于文本的特征提取同时预处理、清洗。 用到的文本挖掘算法LSA、PLSA、LDA。无监督学习
LSA潜在语义分析 非概率主题模型 与词向量有关 主要用于文本的话题分析 核心通过矩阵分解发现文档与词之间基于话题的语义关系。PLSA概率潜在语义分析 为克服LSA潜在缺点而提出通过一个生成模型为LSA赋予概率意义上的解释。 有个假设。LDA潜在狄利克雷分布 概率主题模型 与词向量无关 典型的词袋模型
7.3.3 神奇的嵌入表示
嵌入表示可以将高维系数特征向量转换成低维稠密特征向量来表示。
词嵌入Word2Vec 原理Word2Vec根据上下文之间的关系训练词向量。 有两种训练模式Skip-Gram跳字模型和CBOW连续词袋模型。区别输入层、输出层不同。 Skip-Gram跳字模型输入一个词预测上下文。 CBOW连续词袋模型用一个词的上下文作为输入预测这个词语本身。图嵌入DeepWalk 包括三个部分①根据某种序列把商品关联起来商品是点关联是线 ②然后随机游走random wal生成商品序列 ③将序列输入到Skip-Gram进行词向量训练。 【总结】我的理解 是否可以理解为Word2Vec只能做一层Skip-Gram词向量训练而DeepWalk可以做多层词向量训练。或者说Word2Vec只能基于一个词而DeepWalk可以做多个词 总之它的作用大概就是去掉一些没有用的信息理解为降维或者浓缩信息。
7.3.4 相似度计算方法
获取用户和商品的嵌入表示、文本的分词表示即各类稀疏表示后就可以对这些向量表示进行相似度计算了。 基于相似度计算的特征提取方法有欧氏距离、余弦相似度、Jaccard相似度等提取用户、商品、文本的相似度。 广泛应用场景用户分层聚类、个性化推荐或广告投放。
欧氏距离余弦相似度 衡量样本之间的差异。夹角越小余弦值越接近于1反之则趋近于-1.Jaccard相似度 度量两个集合之间的差异大小。 思想共有元素越多越相似。
7.4 用户画像的应用 7.4.1 用户分析
产品上线之初对目标用户群已有一些定位但上线之后情况与预期或历史或许存在偏差需要对拉新、促活、留存、新增用户特征、核心用户属性做分析研究提炼人群特征然后不断优化产品性能、UI交互。 【总结】 在用户生命周期的各个阶段对用户行为属性、群体特点进行研究提升产品压榨用户价值
7.4.2 精准营销
范畴内推荐系统、广告投放 基于用户历史消费行为为电商找到种子用户。
7.4.3 风控领域
风控领域的特点 ①解释性高时效性 ②业务关联度高 ③负样本占比极少是均衡学习算法的主战场之一。
【题外话】 金融信贷领域客户的风险主要来自两方面还款能力和还款意愿。 还款能力主要考察客户是否有足够的资金并且按时还款这就涉及到客户的工资日工作、学历什么的。 还款意愿一个是突发因素还不了了比如失业了另外一个就是本来贷款的时候就没想过要还这就涉及到金融领域的反欺诈。 本来之前看了一本书是关于金融风控的但是那个作者比较缺德的是没有数据集书里面只有代码直接就导入了不知道什么数据集这怎么搞啊。过分。
7.5 思考练习
见【机器学习】《机器学习算法竞赛实战》思考练习更新中……
以上。
