用户画像系统

1 用户画像概述

1.1 什么是用户画像

用户画像就是对现实世界中用户的数学建模。现实世界的用户通过自己各种各样的行为，浏览购买，或者收藏，等等这些行为会把自己的兴趣爱好等体现在这些行为中，比如喜欢看书就会有很多购买书的行为，行为就会把兴趣爱好暴露出来，我们就是要基于用户建模，把他兴趣的维度给划分清楚体现出来，才能充分了解用户。

用户画像是描述用户的数据，是符合特定需求的对用户形式化的描述，源于现实又高于现实。用户画像是通过分析挖掘用户尽可能得到多的数据信息。

1.2 用户画像作用

用户精细化营销：广告推送给谁，优惠券如何发放等

商户精细化支持：活动精准推送，定价策略

个性化：商品推荐，购物推荐

趋势预测：销售预测，票房预测

大数据报告：

 

2 用户标签画像

2.1 什么是标签

标签是某一种用户特征的符号表示，在商家眼里你会被贴上各种各样的标签比如男性，高富帅，高学历等等。一个人有很多标签，当商家想要了解客户的时候就要基于这些标签来生成用户画像，所以用户画像其实就是一个整体，包含了多个维度（由不同的标签的集合组成的），所以，用户画像可以用标签的集合来表示。

2.2 用户标签的数学描述

用户标签的数学表示就是维度和特征空间，标签是特征空间中的维度，比如说你的基本信息就是你的性别和年龄，通过性别和年龄构成一个二维空间，这个二维空间可以把任何用户放到这个空间中去，这个二维空间就是非常简单的特征空间。在实际当中你的标签可能上百，上千，上万个。

每个标签都是特征空间中的基向量（向量：有方向有大小的量），基向量之间有关联，不一定是正交的

用户画像本质就是特征空间中的高维向量

用户标签举例引用下图

3 用户画像系统流程

总体来用，可以分成离线部分和在线部分，用户画像所需要的基础数据需要离线的先存储下来，再基于里面的数据进行建模，在线部分使得业务更加完善更加充实，所以总体大的部分是在离线这一端去做的。传统数据仓库也是一样的，在数据仓库中按照主题建模也会包含到用户画像这个过程。

流程分为5个步骤：

（1）明确问题：①追求数据的的匹配；②明确需求，是分类问题，还是聚类问题，还是推荐等③数据的规模，重要特征的覆盖度等

（2）数据预处理：进来的数据是多种多样的，如日志数据，第三方合作伙伴传过来接口的数据，这些数据都不是很规范，对同一个维度的表述有各自的标准，比如说男女的描述，有些用M|F，有些用0|1表示。①数据的集成，数据的冗余，数值的冲突，②数据采样③数据清洗，缺失值处理，噪声数据

（3）特征工程：①特征提取，业务日志，web抓取的数据，第三方数据②特征处理，特征清洗，特征预处理，如值处理，特征选择，特征组合，降维③特征监控，指标的实效性，覆盖率，异常值

（4）模型算法：统计，分类，回归，聚类，语义，高维偏好等

（5）产生：如个性化推荐，个性化广告

4 用户画像架构

5 性别预测分析步骤

（1）明确问题：①属于数据挖掘中的哪一类分类，聚类还是推荐等？年龄预测属于分类问题；②数据集规模，数据集是否够大？分类需要大数据集；③问题假设，数据是否满足所有问题的假设？男女的行为是否不同，比如买手机行为不带有性别特征，买口红，香烟等就带有性别特征。

（2）数据预处理：

（3）特征工程：①单个特征分析：1）数值型特征的处理，如使用app时长，可用高，中，低三个档次，将启动次数分段成离散值；2）类别型特征的处理，如用户使用的设备是华为，或者小米，这是类别特征，可用采用0-1编码来处理；3）数据归一化。

②多个特征分析：1）设备类型是否决定了类型？做相关性分析，计算相关系数。2）app启动次数和停留时长完全正相关，结果表明特别相关，去掉停留时长或启动次数；2）如果特征太多，需要做降维处理

③文本数据处理的典型步骤：网页-》分词-》去停用次-》向量化。 分词可以采用jieba分词；去停用词，停用词表除了加入常规的停用词外，还可将DF较高的词加入停用词表；向量化一般是将文本转换为TF或TF-IDF向量

④算法和模型：1:）选择算法需要考虑的因素，如训练集的大小，特征维度的大小，要解决的问题是否是线性可分的，所有特征是独立的吗，需不需要考虑过拟合问题，对性能有哪些要求等。

⑤算法和模型的评价：分类模型采用混淆矩阵，可参见分类模型评估的文章https://blog.csdn.net/weixin_43786255/article/details/100174121