推荐系统那点事 —— 什么是用户画像？

用户画像在大数据分析中是一种很有用的系统，它可以各种不同的系统中，起到很关键的作用。比如搜索引擎、推荐系统、内容系统等等，可以帮助应用实现千人千面、个性化、精准等的效果。

下面将从几个方面来说一下，什么是用户画像，主要的内容来自《用户网络行为画像分析与内容推荐应用》这本书。

应用场景数据来源特性建模群体画像画像的存储画像的查询画像的更新

应用场景

下面举几个很典型的场景：

搜索引擎

在搜索的时候考虑用户的画像标签，返回用户感兴趣的内容。比如同一个关键字“诸葛亮”，王者荣耀的爱好者搜索的时候应该返回“诸葛亮”相关的内容，比如如何加铭文、如何五杀等等；而历史爱好者搜索的时候，应该返回三国相关的内容。

推荐系统

推荐系统可以根据用户的喜好和特征，也就是用户的画像，推荐相关的内容。比如，给一个用户定位的画像是美妆达人，那么就应该给她多推送一些面膜护肤之类的东西，而不是推一堆零食。

内容推荐

比如新闻类的产品或者读书类的产品，根据用户的喜好不同，展现不同的内容。

数据来源

用户画像的数据来源主要包括两个方面：

属性数据，这部分数据一般是用户的注册信息，也可以是从其他数据中分析得出的。比如生日、性别、住址、爱好等行为数据，这部分数据一般都是用户的访问日志记录的行为数据。比如常用的一些后端日志数据、前端埋点数据等等。

通过这两部分的数据，就能刻画出用户的画像，其实就是给用户打上一个标签，比如高富帅、白富美等等。

特性

用户画像具有很明显的动态性和时空局部性。

在用户的数据中，属性信息一般不会改变；但是行为数据是随时会发生变化的，比如用户看了一个新的电影、阅读了新的文章等。这时它的数据就是动态变化的，这部分数据应该动态的更新到用户的画像上。时间上，用户的一些需求是很快会发生变化的，比如最近下雨，用户想要买一把伞，如果几天后才捕捉到用户的需求，此时天都晴了；另一方面，空间上，用户在不同的领域喜好也不同，可能在新闻领域用户是一个严重的军事迷，但是在网购时，又是一个小清新，因此需要考虑到不同空间用户不同的需求场景，刻画对应的画像。

用户画像建模

用户的画像分为定量画像和定性画像，网上也没有找到这两种明确的定义。不过参考1的文章中是这样定义的：

定性画像，是指在小规模的数据中分析出的用户的画像，比如问卷调查，访谈等等定量画像，是在大规模的数据中分析的，比如日志等

这一块的内容，理解的并不好....以后会多加补充

基于标签的画像

在用户的定性画像中，标签化是核心。即把用户的画像变成一个一个的标签，那么在考虑标签化的同时，需要注意下面的几个方面：

如何定义标签?标签的名称、类别、取值如何解释标签？标签的语义描述如何推理标签？标签实现的过程如何验证标签？定义是否合理，推导是否合理基于知识的画像（个人理解）

知识工程，在百科中的解释是：

“知识工程”的产生，把人类所专有的文化、科学、知识、思想等同现代机器联系起来，形成了人——机系统。

即需要领域专家（有经验的老业务）配合来做机器智能的分析。

知识工程的大体过程为：知识的获取-->验证-->表示-->推论-->解释和理由

在用户画像中，就是配合用户和物品的属性，建立对应关系，这部分的对应关系需要知识专家进行鉴别推理和构建。比如有一些“专家”会把电影分为几类，爱情片、动作片、科幻片、恐怖片，这些都是需要领域专家来设定的，而不是靠人工分层分类1分类2分类3...

构建的过程

在构建用户画像时，大致可以按照下面的步骤：

构建领域词汇：不同的领域会有不同专业的词汇，描绘人的、电影的、书籍的词汇都是不同的。这部分可以参考其他同类的产品，如果是独创的领域，那么就需要这个领域资深的“玩家”来定义了。确定分类之间的层次：画像也是有层次的，比如电影的里面的人分为演员、导员、观众等。需要对标签（画像）归类处理。定义属性：为不同的画像定义属性，包括对象属性和数值属性。比如在电影的场景中，对象属性是上映的时间、导演，数值属性是观看量、时长等。定义实例：实例就是最终的画像，是由分类和属性组成的。定义约束：这个是描述一个物品的规则，比如电影是由（名称、类型、时长、导演、主演）等等属性组成的，那么任何一个电影都可以由这种方式来定义。

群体用户画像

用户画像是用来描述目标用户的画像，而群体画像则是对一类相似的用户的描述。比如成熟稳重型、可爱萝莉型等。

那么如何定义群体画像呢？可以按照下面的步骤：

获取用户画像计算用户画像的相似度用户画像聚类群体用户画像生成定义用户画像之间的相似度

计算用户画像之间的相似度，可以参考下面的公式：

其中wk表示第k个画像的权重，比如在电影里面，用户喜欢的电影类型比重要比电影的时长重要的多，在计算相似度的时候权重也应该更大一些。

计算相似度有很多中方法，比如：欧氏距离、曼哈顿距离、夹角余弦、皮尔逊相关系数、杰卡德距离等，每一种都有自己适合的场景。

画像聚类

画像聚类的方式有很多，比如K-means，原理就是随机几个点，看各个点的数据跟哪个点接近，就归为哪一类。然后不断调整中心点，达到最终聚合的效果。

用户画像存储

用户画像有很多中表示的方法，比如：

关键词法，用一对的关键词描述画像，这种方式最容易理解评分矩阵法，用二维矩阵的方式，通过评分表示。这种在协同过滤中很常见向量空间表示法，这种是基于向量的方式描述画像本体表示法，不太懂

不同的表示方法，对于存储的方式来说，也会不同。

一般用户画像常用的存储引擎有：

关系型数据库，通过中间表的方式存储用户和画像之间的关系，有点就是查询快、缺点就是数据量大的时候扛不住。NoSql数据库，常见的就是键值数据库（Redis）列数据库（Hbase）文档数据库（mongodb）图数据库（neo4j）等，每种数据库都有自己适合的场景。数据仓库，数据仓库是一种面向主题的存储,可以更好的解决领域分析的问题。而且它保留了数据的时间变化，对于分析历史来说，非常有帮助。但是不适合实时查询。

用户画像的查询

用户画像的场景下：

1 对于画像的查询要求是高并发、高聚合，比如会有很多人查询它自己的画像；也会通过一个画像属性，查询所有相关的人。2 在画像的查询中，大量的查询都是重复的，因此可以着重考虑缓存机制。

用户画像更新

在画像的更新方面，需要考虑的问题是：

1 如何实时获取变化的画像？2 如何设置合适的更新触发条件？3 如何设计高效的算法？

对于获取用户的信息，可以把用户逇信息分为静态信息数据和动态信息数据，

更新的机制一种是设置更新的条件，比如购买达到1w元，立马升级成VIP标识一种是设置固定的时间周期，更新画像。这种最简单，直接没天凌晨跑一个画像的更新任务就行了。另一种是从增量的数据中计算画像，然后对比旧的数据，考虑是否更新用户的画像。

以上就是用户画像的基本内容，也是《用户网络行为画像分析与内容推荐应用》这本书的第一部分，后续会更新其他的部分。

参考

1 什么是定性画像、什么是定量画像？http://www.jianshu.com/p/3750d9349b71 2 《用户网络行为画像分析与内容推荐应用》想要电子版的私M。~

本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2017-07-06 ，

如有侵权请联系 [email protected] 删除

网址：推荐系统那点事 —— 什么是用户画像？ https://mxgxt.com/news/view/1234637

相关内容

用户画像是什么？用户画像的标签类型
众星北斗申请基于用户画像的礼物推荐方法及系统专利，生成个性化的礼物推荐列表
什么是用户画像如何构建用户画像
粉丝用户画像数据库是什么
公司职员用户画像怎么写，怎么构建用户画像
基于ETC数据的用户画像生成管理方法及系统
用户画像构建
用户画像在社交电商中的应用
搭建用户画像的八个模块建设
如何用理想客户画像找到你的目标客户

随便看看