读书笔记//《用户画像》之数学模型的应用

出版时间：2019年
点评：这本书干货满满啊。

1.朴素贝叶斯
page92
应用：文本分类

比如，给文章自动打上分类标签。

2.TF-IDF
page112
应用：用户标签权重

原理：字词的重要性随着它在文件集中出现的次数的增加成正比增加，同时随着它在语料库中出现的频率成反比下降。

延伸应用：对于每个用户来说，其身上同一个标签出现的次数越多，该标签对于这个用户来说越重要，该标签中全部用户的所有标签产生的标签集中出现的次数越多，该标签的重要性越低。

3.时间衰减系数
page114
应用：用户标签权重

参考原理：牛顿冷却定律数学模型
F(t)=初始温度 * exp（-a * 间隔的时间）

延伸应用：随着时间的推移，用户的历史行为和当前行为的相关性不断减弱。如：用户搜索图书、用户搜索图书对应作者

用户标签权重=行为类型权重 * 时间衰减 * 用户行为次数 * TF-IDF计算标签权重

通过以上公式，可以对用户特征库的行为数据计算权重标签，筛选出与用户行为相关性最大的标签。

4.余弦相似度函数
page120
应用：标签相似度计算

通过对用户的标签构建“同现矩阵”的方式对标签进行聚类。如将疾病标签聚类到其对应的科室。

5.RFM用户价值模型
page75
应用：用户价值类标签