一.用户画像
1.什么是用户画像
根据用户目标,行为, 观点的差异,抽出典型特征进行区别,即打标签
2.建立用户画像作用
例如:啤酒与尿布的故事
推荐系统 猜你喜欢
精准营销 锁定用户 广告投放
3.建立用户画像的数据
数据:静态和动态数据
静态:性别 地域 职业 消费等级
动态:浏览网页 搜索商品 发表评论
4.一般步骤
数据预处理
特征选择
建模预测
待补充代码
二.推荐系统
1.协同过滤
(1)基于用户的协同过滤
确定其他用户是否跟自己相似,将邻居们的喜好组织成一个有序的目录,从而方便根据阈值挑选
步骤
收集用户偏好
找到相似的用户
计算相似的(欧氏距离,pearson相关系数 ,余弦相似度 )
根据相似的进行推荐(固定数量的邻居或者基于相似度门槛的邻居(比较好))
基于用户的协同过滤
目标:用户评分矩阵一般比较稀疏,推断矩阵中为0的值
存在问题
新用户没有任何信息,无法计算相似度
对于一个物品邻居没打分,那么该物品永远不会被推荐
改进
考虑共同打分物品的数目 ,归一化
为啥不流行</