用户画像（User Profile）概述

推荐之用户画像【1】–概述

本文主要对构建用户画像（处理海量用户非结构化文本）的方法做大致汇总，整体结构参考刑无刀大佬，详细原理及代码持续更新ing
知乎链接：推荐之用户画像【1】–概述 - LynneS的文章 - 知乎

1. 第一类 使用原始数据。

如注册资料等人口统计学信息，或者购买历史，阅读历史等，除了数据清洗等工作，数据本身并没有做任何抽象和归纳。跟查户口一样，没什么技术含量，但通常对于用户冷启动等场景非常有用。

2. 第二类就是堆历史数据。

做统计工作，这是最常见的用户画像数据，常见的兴趣标签，就是这一类，就是从历史行为数据中去挖掘出标签，然后在标签维度上做数据统计，用统计结果作为量化结果。这一类数据贡献了常见的酷炫用户画像。

3. 第三类用机器学习方法

学习出人类无法直观理解的稠密向量，也最不被非技术人员重视，但实际上在推荐系统中承担的作用非常大。比如使用潜语义模型构建用户阅读兴趣，或者使用矩阵分解得到的隐因子，或者使用深度学习模型学习用户的 Embedding 向量。这一类用户画像数据因为通常是不可解释，不能直接被人看懂。

1、非结构文本结构化，去粗取精