如何从海量特征中选取用户的关键画像特征？

最新推荐文章于 2023-02-27 21:08:48 发布
最新推荐文章于 2023-02-27 21:08:48 发布
阅读量425 收藏 2
点赞数
分类专栏： 数据分析 用户画像和标签 产品运营 文章标签： 关键特征提取 目标群体指数（TGI） 特征池 群体特征
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/litlit023/article/details/113482907
版权
本文介绍了如何通过目标群体指数（TGI）和特征池来选取用户的关键画像特征。TGI用于评估人群画像的突出特征，而特征池则包含如用户地域、年龄和购买偏好等标签，选择依据业务需求。
摘要由CSDN通过智能技术生成

目录

1. TGI（目标群体指数）

2. 特征池

3. 参考资料

1. TGI（目标群体指数）

TGI是用来识别哪些特征是突出特征的重要方法。相对于个人用户画像，TGI可用于评估人群的画像。

 

2. 特征池

所谓特征池，可以理解成标签范围。比如选定【用户地域】、【用户年龄】、【用户购买偏好】……等200个标签作为特征池。开放式的特征池是不切实际的。特征池的选择可以基于业务需求来选。

3. 参考资料

原文地址：http://www.woshipm.com/user-research/4262017.html

了解本专栏 订阅专栏 解锁全文 超级会员免费看
fragrans
关注
专栏目录
订阅专栏
特征工程案例分析：用户画像构建
AI天才研究院
05-24 531
在当今大数据时代,企业面临着海量的用户数据,如何从这些数据中挖掘出有价值的信息,进而洞察用户行为、了解用户需求,为用户提供更加精准、个性化的服务,已成为企业的核心竞争力之一。而用户画像作为一种重要的大数据分析技术,通过对用户各类数据进行采集、加工、处理,构建出一个全面、立体的用户信息模型,为精准营销、个性化推荐等应用提供数据支持。特征工程是构建用户画像的关键一环。通过特征工程,我们可以从海量、高维、异构的原始数据中,提取出能够刻画用户属性、行为特点的有效特征。
深度学习核心技术精讲100篇（二十六）-如何运用大数据定量刻画用户画像？
wenyusuran的专栏
03-09 1545
导读：在互联网步入大数据时代后，用户行为给企业的产品和服务带来了一系列的改变和重塑，其中最大的变化在于，用户的一切行为在企业面前是可“追溯”“分析”的。企业内保存了大量的原始数据和各种业务数据，这是企业经营活动的真实记录，如何更加有效地利用这些数据进行分析和评估，成为企业基于更大数据量背景的问题所在。随着大数据技术的深入研究与应用，企业的关注点日益聚焦在如何利用大数据来为精细化运营和精准营销服务，而要做精细化运营，首先要建立本企业的用户画像。 01 画像简介 用户画像，即用户信息标签化，通过收集用户的
基于用户标签的活跃人群特征分析_用户特征分析（行为分析是关键）
weixin_42389043的博客
12-24 3297
互联网产品早已进入定制化阶段，千人千面的基础就是用户特征分析。实现的逻辑就是打标签、分类、定制方案。用户特征分析 — 打标签用户特征分析的基本概念、用户特征分析实际上就是知道用户是什么样的人，需要什么、喜欢什么。说通俗一点，在工作上就是分析用户的付费点和什么样的内容可以占用用户更多的时间。用户特征的分析实际上是信息分析的一个细类，归根结底还是信息的分析。用户信息的分析到应用过程中最重要的是信息交...
数据挖掘-用户画像
myProgrames的博客
06-12 2496
有几篇比较好的关于用户画像的文章，连接如下： http://dataunion.org/13797.html http://www.wtoutiao.com/p/jd8dSc.html http://cio.it168.com/a2015/0806/1752/000001752658.shtml http://www.csdn.net/article/2015-04-01/
客户数据分析方法——用户画像
TINA_JING_LIU的博客
01-04 3659
用户画像是建立在一系列真实数据之上的目标用户模型，通过调查、数据采集等一系列手段采取用户信息，了解用户，并根据他们的目标、行为和观点，将他们区分为不同的类型，抽取出每种类型的特征，形成不同的群体。简单来说，用户画像就是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心的工作，是给用户贴“标签”，标签是通过对用户信息分析而来的高度精炼的特征标识。在大数据时代，用户画像已经成为用户分析和用户研究的最为重要的方法之一，我们需要特别注意的是用户画像要建立在真实的数据之上，同
特征选择方法
weixin_34233856的博客
11-15 244
特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： 减少特征数量、降维，使模型泛化能力更强，减少过拟合 增强对特征和特征值之间的理解 在数据挖掘工作中，通常处理的是一个包含大量特征且含义未知的数据集，并基于该数据集挖掘到有用的特征。那么这里面一般是四...
产品设计学习（三）——用户画像与特征工程
livan1234的博客
10-12 1万+
笔者是一个痴迷于挖掘数据中的价值的学习人，希望在平日的工作学习中，挖掘数据的价值，找寻数据的秘密，笔者认为，数据的价值不仅仅只体现在企业中，个人也可以体会到数据的魅力，用技术力量探索行为密码，让大数据助跑每一个人，欢迎直筒们关注我的公众号，大家一起讨论数据中的那些有趣的事情。 我的公众号为：livandata
超硬核 | 一文带你入门用户画像
大数据梦想家
01-20 4078
前言         之前开发过一个画像项目，并为大家介绍了项目过程中标签开发的细节，但是后来考虑到对于没有画像开发经验，尤其是零基础的大数据小白而言不是很友好，理解起来也不是很容易。正好最近在看赵宏田老师的《用户画像方法论与解决方案》，所以，我又专门开了一个专题，打算重新为大家讲解关于用户画像的知识。感兴趣的小伙伴记得关注加星标，每天第一时间收获技术干货！ 1. 用户画像是什么？    &nb
用户画像标签维度_数据挖掘系列：用户画像之用户标签
weixin_39898248的博客
12-28 653
摘要：大数据的根基，它圆满地笼统出一个用户的信息全貌，为进一步精准、快速地剖析用户行为习气、消费习气等重要信息，提供了足够的数据基础，奠定了大数据时期的基石。 微博作为最大的中文社交媒体，具有数以“PB”(1024 TB)计的用户信息，从海量的用户信息中发掘每个用户的社交特性、潜在才干及兴味等信息，是微博为用户提供愈加人性化效劳的基础。微博大数据经过近两年不时地调整、磨合、优化，针对社交媒体特性，...
人脸对齐之GBDT(ERT)算法解读
jiajinrang93的博客
05-16 2万+
标签（空格分隔）： ERT GBDT Face_Alignment 作者：贾金让 本人博客链接:http://blog.csdn.net/jiajinrang93 ERT/GBDT实现代码链接（C++版):https://github.com/jjrCN/ERT-GBDT_Face_Alignment欢迎大佬审查，欢迎点赞，谢谢。 1.概述 文章名称：One Millisecond ...
分类器是如何做检测的？——CascadeClassifier中的detectMultiScale函数解读
热门推荐
delltdk的专栏
06-27 6万+
转载注明出处即可。 在进入detectMultiScal函数之前，首先需要对CascadeClassifier做初始化。 1.     初始化——read函数 CascadeClassifier的初始化很简单： cv::CascadeClassifier classifier; classifier.load(“cascade.xml”); //这里的xml是训练得到的分类器xml
25张图让你读懂神经网络构架
dengm155的专栏
06-06 1万+
[独家]25张图让你读懂神经网络架构 2017-05-21 22:32 　　由于新的神经网络架构无时无刻不在涌现，想要记录所有的神经网络是很困难的事情。要把所有这些缩略语指代的网络(DCIGN，IiLSTM，DCGAN等)都弄清，一开始估计还无从下手。 　　下表包含了大部分常用的模型(大部分是神经网络还有一些其他的模型)。虽然这些架构都是新奇独特的，但当我开始把它们的
多模态数据下的学习投入特征画像研究
最新发布
weixin_70923796的博客
02-27 385
学习投入是教师研判学习活动的重要指标，为后续教学诊断奠定了基础。随着AI与教学深度融合不断推进，各种教学数据媒介日益增长，使多模态数据表征学习投入画像逐步成为教学领域的技术趋势。针对以往研究中数据高低特征互补性不足的现状，提出一种融合文本数据与图像数据的多模态学习投入特征画像构建方法，提升了多维学习投入的表征效果。
推荐系统之--特征工程（用户画像构建）
traveler-leon的博客
12-31 4706
特征工程往往是推荐系统中必要的一环，而且是最基础最重要的一环，不论是在模型训练阶段还是召回阶段，都需要以特征工程为基础。下面会从几个方面讲解特征工程。
一文详解数据分析的 TGI 指数 | 技术头条
CSDN资讯
10-30 9726
作者 | 周志鹏 责编 | 刘静 这是Python数据分析实战的第一个案例，详细解读TGI指数，并用Python代码实现基础的TGI偏好分析。 经常有一些专业的数据分析报告，会提到TGI指数，例如“基于某某TGI指数，我们发现某类用户更偏好XX”。对于不熟悉TGI定义的同学，看到类似的话一定是云山雾罩。这次，我们就来聊一聊什么是TGI指数以及怎么样结合案例数据实现简...
关于用户画像那些事，看这一文章就够了
数据分析
12-25 1700
用户画像的含义用户画像（persona）的概念最早由交互设计之父Alan Cooper提出:“Personas are a concrete representation of target users.” 是指真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。随着互联网的发展，现在我们说的用户画像又包含了新的内涵——通常用户画像是根据用户人口学特征、网络浏览内容、网络社交活动和消费行
2.5.1 推荐系统算法---基于内容的电影推荐：物品画像
WGS.
08-01 1794
基于内容的电影推荐：物品画像 物品画像构建步骤： 利用tags.csv中每部电影的标签作为电影的候选关键词 利用TF·IDF计算每部电影的标签的tfidf值，选取TOP-N个关键词作为电影画像标签 将电影的分类词直接作为每部电影的画像标签 基于TF-IDF的特征提取技术 前面提到，物品画像的特征标签主要都是指的如电影的导演、演员、图书的作者、出版社等结构话的数据，也就是他们的特征提取，尤其是体征向量的计算是比较简单的，如直接给作品的分类定义0或者1的状态。 但另外一些特征，比如电影的内容简介、电影的影评
用户画像-构建步骤
ttdata
09-01 9901
有一句话是，千万人撩你，不如一人懂你，这句话在互联网圈可以说成是，真正的了解用户，才能得到用户，所以，用户画像的重要性不言而喻。 什么是用户画像？ 用户画像可以简单理解成是海量数据的标签，根据用户的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个人物原型 (personas)。 企业在
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值