【机器学习】《机器学习算法竞赛实战》第7章用户画像

这本书写的挺好，干货满满。除了课后题，有必要对内容做一下总结。
与文章框架保持一致，基本在抄书……学渣的我……

第7章 用户画像

7.1 什么是用户画像

机器学习中提到的用户画像，通常是基于给定的数据对用户属性、行为进行描述，然后提取个性化指标，再以此分析可能存在的群体共性，并落地应用到各种业务场景中。

7.2 标签系统

用户画像核心：“打标签”，即标签化用户的行为特征。
企业通过标签，分析用户（社会属性、生活习惯、消费行为）===>商业应用

7.2.1 标签分类方式

直接拍了张照片，因为我觉得我画的不如人家的好看，而且还浪费时间。凑合看下，了解即可：

7.2.2 多渠道获取标签

获取标签的渠道主要有三种：事实类标签、规则类标签、模型类标签。

• 事实类标签
  来源于：①原始数据：性别、年龄、会员等级。
  ②统计数据：用户行为次数、消费总额。
• 规则类标签
  依据是设置的规则。
  举例：地域所属、家庭类型、年龄层
  比如，所在地在山东，业务规则可以划分为“华北”，也可以是”东部“，也可以是“北方”。根据具体的业务规则会有不同的结 果标签，这就是规则类标签。
  规则类标签用到的主要技能是数理统计类知识：基础统计、数值分层、概率分布、均值分析、方差分析等。
  
• 模型类标签
  模型类标签是经过机器学习和深度学习等模型处理后，二次加工生成的洞察性标签。
  举例：预测用户状态、预测用户信用分、划分兴趣人群和对评论文本进行分类等。
  【总结】我的理解
  规则类标签，是基于用户历史行为，对用户的行为、偏好、价值做出判断，可以看作依然属于历史范畴。
  模型类标签，主要是对用户进行预测，或者文本分类。可以认为是对未来、或者深层次的信息进行加工。===>两个方向：未来、深度。

7.2.3 标签体系框架

包含四个部分：数据源、标签管理、标签层级分类、标签服务赋能。

• 数据源：离线、实时、第三方
• 标签管理
• 标签层级分类：上面提到的三种标签，事实类、规则类、模型类。
• 标签服务赋能：画像分析、选人选品、个性化推荐、风控建模、精准营销===>商业落地

7.3 用户画像数据特征

用户画像的数据来源主要有三种：用户数据、商品数据、渠道数据。
可以通过统计、编码、降维提取有效特征===>构造标签

7.3.1 常见的数据形式

四种：数值型变量、类别型变量、多值型变量、文本型变量。

• 数值型变量：年龄、身高、体重、消费金额、流量累计。
• 类别型变量：性别、籍贯、所在城市===>一个用户对应一个结果，结果非数值
• 多值型变量：兴趣爱好、穿衣风格、看过的电影===>一个用户对应多个结果
• 文本型变量：购物评论

7.3.2 文本挖掘算法

对原始数据出现的用户标签集合、购物评价，做基于文本的特征提取，同时预处理、清洗。
用到的文本挖掘算法：LSA、PLSA、LDA。===>无监督学习

• LSA（潜在语义分析）
  非概率主题模型
  与词向量有关
  主要用于文本的话题分析
  核心：通过矩阵分解，发现文档与词之间基于话题的语义关系。
• PLSA（概率潜在语义分析）
  为克服LSA潜在缺点而提出，通过一个生成模型为LSA赋予概率意义上的解释。
  有个假设。
• LDA（潜在狄利克雷分布）
  概率主题模型
  与词向量无关
  典型的词袋模型

7.3.3 神奇的嵌入表示

嵌入表示可以将高维系数特征向量转换成低维稠密特征向量来表示。

• 词嵌入Word2Vec
  原理：Word2Vec根据上下文之间的关系训练词向量。
  有两种训练模式：Skip-Gram（跳字模型）和CBOW（连续词袋模型）。区别：输入层、输出层不同。
  Skip-Gram（跳字模型）：输入一个词，预测上下文。
  CBOW（连续词袋模型）：用一个词的上下文作为输入，预测这个词语本身。
• 图嵌入DeepWalk
  包括三个部分：①根据某种序列，把商品关联起来（商品是点，关联是线），
  ②然后随机游走（random wal），生成商品序列，
  ③将序列输入到Skip-Gram进行词向量训练。
  【总结】我的理解
  是否可以理解为，Word2Vec只能做一层Skip-Gram词向量训练，而DeepWalk可以做多层词向量训练。或者说，Word2Vec只能基于一个词，而DeepWalk可以做多个词？
  总之它的作用大概就是去掉一些没有用的信息，理解为降维或者浓缩信息。

7.3.4 相似度计算方法

获取用户和商品的嵌入表示、文本的分词表示即各类稀疏表示后，就可以对这些向量表示进行相似度计算了。
基于相似度计算的特征提取方法有：欧氏距离、余弦相似度、Jaccard相似度等===>提取用户、商品、文本的相似度。
广泛应用场景：用户分层聚类、个性化推荐或广告投放。

• 欧氏距离
• 余弦相似度
  衡量样本之间的差异。夹角越小，余弦值越接近于1，反之则趋近于-1.
• Jaccard相似度
  度量两个集合之间的差异大小。
  思想：共有元素越多越相似。

7.4 用户画像的应用

7.4.1 用户分析

产品上线之初对目标用户群已有一些定位，但上线之后情况与预期或历史或许存在偏差，需要对拉新、促活、留存、新增用户特征、核心用户属性做分析研究，提炼人群特征，然后不断优化产品性能、UI交互。
【总结】
在用户生命周期的各个阶段，对用户行为属性、群体特点进行研究===>提升产品，压榨用户价值

7.4.2 精准营销

范畴内：推荐系统、广告投放
基于用户历史消费行为，为电商找到种子用户。

7.4.3 风控领域

风控领域的特点：
①解释性高，时效性
②业务关联度高
③负样本占比极少，是均衡学习算法的主战场之一。

【题外话】
金融信贷领域，客户的风险主要来自两方面：还款能力和还款意愿。
还款能力主要考察客户是否有足够的资金，并且按时还款，这就涉及到客户的工资日，工作、学历什么的。
还款意愿，一个是突发因素还不了了，比如失业了，另外一个就是本来贷款的时候就没想过要还，这就涉及到金融领域的反欺诈。
本来之前看了一本书是关于金融风控的，但是那个作者比较缺德的是，没有数据集，书里面只有代码，直接就导入了不知道什么数据集，这怎么搞啊。过分。

7.5 思考练习

见【机器学习】《机器学习算法竞赛实战》思考练习（更新中……）

以上。