如何构建用户画像的数据建模？

1991年，TimBerners-Lee发明了万维网（WorldWideWeb）20年后的2011年，互联网真正走向了一个新的里程碑，进入了“大数据时代”。经历了12、经过13两年的热炒，人们逐渐冷静下来，更加关注如何利用大数据挖掘潜在的商业价值，如何在企业中真正应用大数据技术。随着大数据应用的讨论和创新，个性化技术已成为一个重要的着陆点。与传统的线下会员管理、问卷调查、购物篮分析相比，大数据首次使企业能够通过互联网获得更广泛的反馈信息，为进一步准确、快速地分析用户行为习惯、消费习惯等重要业务信息提供了足够的数据基础。随着对人的理解逐渐加深，一个概念悄然而生:用户肖像（UserProfile），用户信息全貌的完美抽象可以看作是企业应用大数据的基础。一、用户画像是什么？男，31岁，已婚，收入1万多，爱美食，团购达人，喜欢红酒配香烟。这样一系列的描述就是用户肖像的典型案例。假如用一句话来描述，那就是：用户信息标签化。如果你用一张图片来展示它，也就是说，为什么用户肖像需要用户肖像的核心工作是为用户标记。标记的一个重要目的是让人们理解并方便计算机处理。例如，你可以做分类统计：有多少用户喜欢红酒？在喜欢红酒的人中，男女比例是多少？也可以做数据挖掘:根据相关规则，喜欢红酒的人通常喜欢什么运动品牌？采用聚类算法分析，喜欢红酒的人的年龄分布情况？大数据处理离不开计算机的操作。标签提供了一种方便的方法，使计算机能够程序化地处理与人相关的信息，甚至通过算法和模型“理解”人。当计算机具备这种能力时，搜索引擎、推荐引擎、广告等应用领域将能够进一步提高准确性和信息获取效率。3、如何构建用户肖像标签通常是一个高度精细的特征标签，如年龄标签：25~35岁，区域标签：北京，标签呈现两个重要特征：语义，人们可以很容易地理解每个标签的含义。这也使得用户肖像模型具有实际意义。能更好地满足业务需求。例如，判断用户偏好。在短文本中，每个标签通常只表示一个含义，标签本身不需要做太多的文本分析和其他预处理工作，这为使用机器提取标准化信息提供了便利。人们制定标签规则，并能通过标签快速读取信息，方便机器进行标签提取和聚合分析。因此，用户肖像，即：用户标签，向我们展示了一种简单、简单的方法来描述用户信息。3.1数据源分析构建用户肖像是为了恢复用户信息，所以数据来源于所有用户相关的数据。对于用户相关数据的分类，引入一个重要的分类思路：封闭式分类。例如，世界上有两种人，一种是学习英语的人，另一种是不学习英语的人；客户分为三类：高价值客户、中价值客户和低价值客户；产品生命周期分为投资期、成长期、成熟期和衰退期。。。所有子类别将构成类别空间的全部集合。这种分类方法有助于不断列举和迭代遗漏的信息维度。不要担心每层分类的结构不完整，导致维度遗漏，留下扩展隐患。此外，根据应用场景和不同的业务需求，不同的分类方法可能是合理的，可以根据需要进行划分。本文将用户数据分为静态信息数据和动态信息数据两类。如图所示，静态信息数据用户相对稳定的信息，主要包括人口属性、商业属性等数据。这种信息是自己的标签。如果企业有真实信息，就不需要过多的建模预测，更多的是数据清理。因此，本文的重点不是这方面信息的数据建模。动态信息数据用户不断变化的行为信息，如果有上帝，每个人的行为总是被上帝看不见的眼睛监控，广义上，用户打开网页，买杯子；用户晚上溜狗，白天拿钱，打哈欠等等。当行为集中在互联网甚至电子商务上时，用户的行为会更加集中，如上图所示：浏览凡客主页、浏览休闲鞋单页、搜索帆布鞋、发布关于鞋质的微博、赞扬“双十一促销”的微博新闻。等等可以看作是互联网用户的行为。本文以互联网电子商务用户为主要分析对象，暂时不考虑线下用户行为数据（分析方法相同，但数据获取方法不同，用户识别方法不同）。在互联网上，用户行为可以被视为用户动态信息的唯一数据来源。本文将重点介绍如何构建用户行为数据模型，分析用户标签。3.2分析用户肖像的目标是通过分析用户的行为，最终给每个用户贴上标签和标签的权重。如，红酒0.8、李宁0.6。标签表示内容，用户对内容感兴趣、偏好、需求等。权重，表示指数，用户的兴趣，偏好指数，也可以表示用户的需求，可以简单地理解为可信度、概率。以下内容将详细介绍3.3数据建模方法，如何根据用户行为构建模型输出标签和权重。事件模型包括三个要素：时间、地点和人物。每一次用户行为本质上都是一个随机事件，可以详细描述为:什么用户，什么时候，什么地方，做了什么。用户：关键在于用户标识，用户标识的目的是区分用户，单点定位。以上列出了互联网用户识别的主要方法，获取方法由易到难。根据企业的用户粘性，可以获得不同的标识信息。时间：时间包括两个重要信息，时间戳 时间长度。时间戳，为了识别用户行为的时间点，如1395121950(精度至秒)、1395121950.083612(精度至微秒)，通常使用精度至秒的时间戳。因为微秒的时间戳精度不可靠。浏览器的时间精度只能达到毫秒。时间长度，以识别用户在某个页面上的停留时间。用户接触点在哪里，TouchPoint。对于每个用户接触点。潜在信息包含两层：网站 内容。网站：每个url链接（页面/屏幕），即定位互联网页面地址或产品的特定页面。它可以是PC上电子商务网站的页面url，也可以是手机上的微博、微信等功能页面和产品应用的特定图片。比如长城红酒单品页、微信订阅号页、游戏通关页。内容:每个url网站(页面/屏幕)中的内容。相关信息：类别、品牌、描述、属性、网站信息等。比如红酒，长城，干红，网站决定每个互联网接触点的权重；内容决定标签。注：接触点可以是网站，也可以是产品的特定功能界面。比如同一瓶矿泉水，超市卖1元，火车卖3元，景区卖5元。商品的销售价值不在于成本，而在于销售地点。标签是矿泉水，但不同的接触点反映了权重差异。这里的权重可以理解为用户对矿泉水的需求不同。也就是说，愿意支付的价值是不同的。如果标签权重矿泉水1//超市矿泉水3///火车矿泉水5///景区相似，用户在JD.COM商城浏览红酒信息，不同于在品尚红酒网浏览红酒信息，表现出对红酒的偏好。这里的重点是不同的网站，权重不同，权重模型的构建需要根据各自的业务需要来构建。因此，网站本身表示用户的标签偏好权重。该网站对应的内容反映了标签信息。什么：用户行为类型，电子商务有以下典型行为：浏览、添加购物车、搜索、评论、购买、点击表扬、收藏等。不同的行为类型对接触点内容产生的标签信息有不同的权重。例如，购买权重计为5，浏览计为1///浏览红酒5///购买红酒。综合以上分析，用户肖像的数据模型可概括为以下公式：用户标识 时间 行为类型 接触点(网站 内容)，用户在什么时候，地点，做了什么。所以会贴上**标签。用户标签的权重可能会随着时间的增加而衰减，因此将时间定义为衰减因子r。行为类型和网站决定权重，内容决定标签，并进一步转换为公式：标签权重=衰减因子×行为权重×网站权重如：用户A，昨日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，假设衰减因素是:r=0.95行为类型:浏览行为记为权重1:品尚红酒单品页网站权重记为0.9(与JD.COM红酒单品页0.7相比)。假设用户真的很喜欢红酒，他们会去专业的红酒网购买，而不是在综合商场购买。用户偏好的标签是:红酒，权重为0.95*0.7*1=0.65，即用户Ａ：红酒0.665、长城0.665。以上模型权重值的选择仅供参考。具体权重值需要根据业务需要进行二次建模。这里强调的是如何从整体上构建用户肖像模型，然后逐步细化模型。4、总结：本文不涉及具体算法。它更多地阐述了一种分析思想。在计划构建用户肖像时，它可以为您提供系统和框架的思维指导。其核心在于对用户接触点的理解，直接决定了标签信息。内容地址、行为类型和时间衰减决定了权重模型是关键，权重值本身的二次建模自然是先进的。例如，模型侧重于电子商务，但事实上，接触点可以根据不同的产品重新定义。比如我看了一部电影《英雄本色》，可能的标签是:周润发0.6、枪战0.5、港台0.3。最后，接触点本身不一定有内容，也可以概括为一个阈值，一个行为超过多少次，达到多久等等。比如游戏产品，典型的接触点可能是关键任务、关键指数(分数)等。如果积分超过10000分，则标记为钻石用户。钻石用户1.0。百分点已全面应用于推荐引擎中的用户肖像技术。在电子商务客户和活动页面新访客的应用中，与热门榜单相比，推荐效果显著提高：推荐栏点击率提高27%，订单转化率提高34%。