2016 小结之用户所在行业画像

光阴似箭，日月如梭。又到一年年底，在过去的这一年里，用心做了几个画像标签的优化。越来越感觉到，要想有高质量的画像，即需要有高质量核心数据，又要有核心的行为表征区别开。摘取用户所属行业画像进行小结。

网络ID作为自然人在网络上的临时虚拟标记，体现了自然人本身以及起社会关系的多方面的属性。比如性别、年龄、工作信息等。
如果能够识别ID的工作单位所体现的行业职业等工作特征，那么是对该ID对应的非常关键与重要的刻画。
在大数据应用中对其有做强烈的需求。
社会属性-行业的23个标签作为用户画像的基础属性之一，应用面较广。比如：

• 在搜索广告中作为广告主端的触发条件之一、在内容广告中圈人精准定向。
• 在一些市场调研等报告中的分析纬度之一。
• 垂直行业的特殊属性分析，识别起典型的场景与需求等：如IT+加班狗是过劳死的重灾区之一>_<。

因而，继续针对第一版挖掘出的社会属性-行业标签尝试进行迭代优化,期望优化标签的准确率与覆盖用户数；优化挖掘流程，获得更加高效的资源利用率。做成一个可复制性成本较高的画像标签之一。

---

基于众测样本的第一次优化迭代

简介

采用一些从第三方业务活动收集的数据映射出的行业样本，进行分类优化。
同时尝试挖掘大公司的用户优化现有结果。
最后，将分类结果中的较准确的部分，与基于规则产出的结果按优先级融合。
效果：

• 提高了23个行业的整体分类精度（提高约10个点）与覆盖用户数（提高约30%），对下游应用方有正向收益。

样本分析

来源：基于众测产品线的用户群体，让部分参与人员按之前类似passport 的行业分类体系打上对应的标签，获得的一批样本。

样本中存在的问题与解决方法

• 样本数量较少，用于训练的不到10w。
• 解决方法：评估资源有效且数量有限，没有能够快速获取更多的样本的方法，先调研用这部分优化。
• 样本没有覆盖全部23个行业。
• 解决方法：缺少的部分仍然保留之前的规则识别方法的结果。
• 样本分布方面，在占比最高的IT 类行业偏差太大，单独该TOP1行业的样本数占比达到36+%。
• 解决方法：对TOP1行业样本采用undersampling（删除一部分）平衡。
• 样本分布方面，在占比少