目录
对自己在画像项目的一些总结
用户画像是什么？
用户画像分为画像和兴趣
- 用户画像
静态，包括基础属性、地理属性、行为属性等，应用于客群分析和营销活动。
常见的场景：APP应用架构层级的千人千面、营销活动圈定人群。
- 用户兴趣
动态，包括即时兴趣、短期兴趣、长期兴趣等，应用于推荐系统和内容推荐。
常见的场景：搜索栏、商品/内容收藏、购买等。
标签
画像和标签
用户画像：用户信息标签的一个集合，也可说用户画像通常以标签落地
- 用户画像的标签是参数化标签
- 用户画像的标签是有权重的
参数化标签？
标签背后有严格的口径定义，比如我们定义：
标签【偏好王者荣耀】代表【过去1个月下过5次王者订单的人群】
后面口径修改【过去1个月下过10次王者订单的人群】，此时需要废弃旧的标签，重新生产新的标签，这显然是不合理的
参数化即把标签口径中可变的部分设置为参数，【偏好王者荣耀】代表【过去N个月下过M次王者订单的人群】
标签的权重？
每个标签都要有权重
标签分类
标签分为几类：
1. 统计类
包括直接提取的标签，又叫事实标签
包含用户的基本信息以及用户行为聚合的比如下单次数
2. 规则类
需要自定义规则，又叫建模标签，由人来指定，满足一定条件的
3.机器学习标签
非确定性的标签，又叫预测标签
标签建模
按照维度划分标签：
将标签按照内容横向分开
基本社会属性，行为习惯，购买能力，兴趣爱好等
设置分级标签模型
将标签按照模型纵向分开
画像：用户信息标签的一个集合
用户行为可追溯，把用户的行为勾勒出一个用户的信息全貌，个性化服务
根据数据，生产标签
画像数据产出
画像有几部分组成的
特征标签
首先有一部分是一个大表，属于画像特征，这部分是统计类又叫事实标签，可以直接从数据提取，不需要建模
建模标签
还有一部分是需要建模的
这种画像标签需要你事先定义好，每一个标签对应一种口径
用户行为标签表表结构：
模型预测标签
还有预测标签，这部分我没有处理过，不是很清楚
1033
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
