- 综合排序
- 最热优先
- 最新优先
- 来自专栏张叔叔讲互联网
画像平台人群包常见应用场景
Push侧通过人群接口每日定时拉取人群数据，然后遍历人群中的每一个用户并推送Push消息。 以此类推，针对特定场合如医院、公园、电影院、旅游景点都可以进行精细化的人群圈选。3. 应用方式：在画像平台上通过规则圈选创建女性用户人群A，通过文件导入的方式创建黑产用户人群B，通过组合人群的方式创建人群A与B的差集人群C。 业务为了给指定用户（不分男女）赠送优惠券，还创建了一个白名单人群D，将C人群与D人群求并集后生成了新的人群E，E人群不仅覆盖了原有的赠送人群范围，而且可以向特定用户群体赠送优惠券。 应用方式：外呼团队在画像平台上创建外呼人群，并借助人群拆分功能将该人群按照25%、25%、25%、25%的比例拆分为4个子人群，在外呼平台导入4个子人群并配置不同的话术进行外呼操作。
1.3K20编辑于 2023-10-30 - 来自专栏腾讯企点
功能解说 | 建好人群包，精准营销省烦恼！
♦ 二次营销 ♦ 1. 3天内，用户来访仅1次 对于垂直领域的在线教育网站，通过广告点击访问网站的访客对该领域应该有所了解，并且有购买课程学习的需求。 ? 2. 7天内，来访>3次，未注册 7天内，访客来访超过3次，说明对课程和品牌有了一定的了解和信任。 ? ▍ 营销方案 运营人员可以通过广点通推送相应注册奖励实现这类用户的注册转化。 ? 3. 15天内，来访<3次，已注册 15天内，已注册的用户来访小于3次，这是不活跃用户的表现。 ? ▍ 营销方案 通过广点通推送活动刺激用户关注网站和产品，提升这类用户的活跃度。 ? 4. 15天内，浏览课程>3次，未下单 15天内，如果浏览相应课程超过3次，说明用户对课程很感兴趣，但是一直未下单，可能的原因就是价格不满意. ? ▍ 营销方案 这一类客户是目标用户，也可以看做是种子用户，通过相似人群扩散，可以扩散出最多100万这样的特征的目标用户群，然后通过广点通去触达这些相对较精准的目标用户群，实现低成本、高质量的拉新。
2.3K10发布于 2020-06-10 - 来自专栏张叔叔讲互联网
人群LookALike以及挖掘人群的创建思路
人群LookALike是给定种子人群，然后通过技术手段找到与该种子人群相似的用户群体。 图5-26展示了基于向量求LookALike人群的主要流程。图片基于种子人群特征分布计算相似人群。 图片基于分类算法计算相似人群。把种子人群当作正样本，其他非种子人群（或者其他人群）当作负样本，通过训练分类模型计算出满足条件的用户并构建目标人群。 目前也有利用社交网络进行人群LookALike的实践方案，通过好友关系找到种子人群中所有用户的几度好友并构建目标人群。挖掘人群是指定优化目标，借助算法能力找到满足要求的用户并构建人群。 人群挖掘的思路是先找到训练样本（种子人群），然后通过LookALike的思路扩展种子人群。该方式与人群LookALike不同的是，人群挖掘的结果中可以包含种子人群中的用户数据。
1.9K30编辑于 2023-10-22 - 来自专栏张叔叔讲互联网
画像平台人群创建方式-规则人群创建
前两种执行方式生产的人群会优先产出BitMap并存储到OSS中，第三种方式生成的人群数据直接存储在Hive表中。为了实现人群数据的持久化存储和便捷的接口调用，人群数据最终会存储在Hive表和OSS中。 Hive表中的人群数据主要用于离线数据分析场景，很多业务使用人群之后需要通过人群结果表进行效果分析。图5-13展示了人群结果表的表结构设计，人群crowd_id作为分区键，分区下包含该人群所有用户。 OSS中的人群数据主要应用在通过接口获取人群数据的场景下。人群数据压缩为BitMap并存储到OSS中，一亿人群大小在100M左右，通过接口可以在几秒内获取到人群结果。 批量读取Hive表中数据，在内存中构建BitMap后存储到OSS中；BitMapToHive需要将内存中的数据快速写入Hive表，主要分为写入本地文件、上传到HDFS以及加载成Hive表三个步骤，该过程与第3章中通过文件导入创建标签类似 相关代码和步骤本章不再赘述，可以参考第3章中对应内容。----本文节选自《用户画像：平台构建与业务实践》，转载请注明出处。
1.9K00编辑于 2023-10-18 - 来自专栏张叔叔讲互联网
画像平台人群创建方式-导入人群创建
导入人群是将外部数据导入画像平台构建人群，主要有3种实现方式：文件导入、Hive表导入和SQL导入。 图5-20展示了3种导入人群的可视化配置页面。 与Hive导入人群方式不同，文件导入优先生成人群BitMap，之后再通过BitMapToHive过程写入到人群结果Hive表中。 导入人群是画像平台最常用的人群创建方式之一，其实现了将各类数据源沉淀为人群的功能，支持更灵活的人群创建方式，拓展了画像平台数据范围。 比如运营人员将某次活动中表现良好的用户导入画像平台并构建成人群，后续可以进行广告投放或者人群分析；数据分析师离线统计出了一批高价值用户，导入平台构建人群后可以直接提供给业务使用。
90510编辑于 2023-10-19 - 来自专栏大数据智能实战
基于C3Framework开源人群计数框架的测试
C3Framework是一个开源的人群计数框架，在进行代码复现的时候，进行单张图片的测试。 1. C3Framework中的算法 根据官网介绍，在该框架中集成了若干个模型，其中有些模型的复现效果并没有论文上来得好。 Method WE UCF50 MCNN (RGB Image) TBD TBD AlexNet (conv5) TBD TBD VGG-16 (conv4_3) TBD TBD VGG-16 (conv4 _3)+decoder TBD TBD ResNet-50 (layer3) TBD TBD ResNet-101 (layer3) TBD TBD CSRNet TBD TBD SANet TBD TBD C3Framework中的算法测试 撰写单个图片的测试代码如下，在该代码中同时进行了MAE和MSE的计算。 ? 以数据集中的第一张图片来测试： ? 其原始的人群密度图如下： ?
90120发布于 2019-08-01 - 来自专栏机器学习、深度学习
人群密度估计
Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation CVPR2018 本文针对人群密度问题 将 检测方法和回归方法结合到一起，以此来提升人群密度估计精度 人群密度估计问题目前主要的方法有基于检测的和基于回归的方法。 在人群密度小的时候，基于检测的方法效果更好。在人群密度较大的时候，基于回归方法的效果比较好。 ? ? 本文的思路就是将 检测方法和回归方法结合起来，各取所长。
1.5K40发布于 2019-05-26 - 来自专栏python3
Android改包3
1) 直接从卡刷ROM包提取 如果你的ROM是“卡刷”包，直接提取就好啦，不需要解包。卡刷包是zip格式的压缩文件。用WinRAR或WinZip直接解压ROM文件就得到所有的原文件。 3) 利用91手机助手从手机提取 还有一种不需要对ROM解包就可以提取到文件的途径。如果你是91手机助手的使用者，你一定熟悉它。打开91手机助手的文件管理，想提取那个就提取那个。 3. RFS的解包和打包 先强调一下，我们这一节讲的RFS文件的解包和打包不是为了提取文件之用。我们的目的并不仅仅停留在提取ROM文件上的层面上。 2)在CWM_Update下产生两个子文件夹：META-INF和system CWM_Update/META-INF CWM_Update/system 3)再在CWM_Update/ 制作完整刷机包ROM 有了上面如何制作刷机补丁做基础，你也不难制作出一个完整的“卡刷”刷机包ROM。
2.4K10发布于 2020-01-09 - 来自专栏R语言&linux
3-R包
1.R包的安装图片option是设置图片1.R包安装和使用的逻辑：安装包-加载包-使用包里的函数2.用library()检查是否安装成功——唯一标准3.已经安装的包用::快速调用里面的函数4.常见疑问1 ）没有error就忽略2）package not available包名写错；命令写错；R语言版本和包要求版本不同；包过时被剔除图片3）是否更新：建议选n，除非一直报错；不想回答安装命令参数：update =F, ask=F4）加载A包，报错B包不存在：缺啥补啥；当依赖包的版本不够高，更新包:重新安装或先删除后安装，更新所有包：update.packages()5）网络问题 connection url require(stringr))install.packages("stringr")6.R包如何使用-获取帮助1) 快速查看函数帮助文档? sd 2)找R包介绍页面3）browsevignettes('') 在线教程7.补充常见的R语言符号图片中括号前是数据框或者矩阵两个中括号前是列表library括号里的是包文件名称出现在代码里，必然在实际参数的位置上带引号
54800编辑于 2023-02-03 - 来自专栏用户画像
相似人群画像算法
一、数据源 1、相似人群数据存在TDW库中，数据字典说明： CREATE TABLE sim_people_tdw_tbl( uid STRING COMMENT 'reader id', 维度含义依次为一级分类、二级分类、关键字、topic、阅读来源 negative 负画像（不喜欢），其他字段的含义与正画像一样 update_time 更新时间 cityCode或city 城市编码 3、 相似人群字典表 :return: 相似度最高的相似人群 """ user_similarity_list = sorted(cluster_dic.iteritems(), key cluster_dimension_feature:群画像某个维度的特征 :param user_dimension:用户某个维度的特征 :param ratio:user的权重，公式为相似度/（相似度+10），区间为（1/3， : 相似人群的相似度字典表 :return: 相似人群画像字典表 """ cluster_profile_rs = {} for sim_user_obj in sim_users_profile_array
2.6K61发布于 2018-07-19 - 来自专栏机器学习、深度学习
人群密度估计
该网络在几个常用的公开人群密度估计数据库上取得了不错的效果。 1 Introduction 拥挤场景解析的发展从简单的人群数值估计到 人群密度图估计，人群密度图可以提供额外的信息，因为同样数量的人可以分布在不同的位置，如下图所示 ? 生成准确的人群分布图挑战性比较大，其中一个主要的困难就是离散化的问题，人在图像中不是只占用一个像素，密度图需要保持局部邻域的连续性。其他的困难包括场景的多样性，相机角度的多样性。 (MCNN) 的架构，我们观察到这种结构存在几个问题： 1）Multi-column CNNs 比较难训练 2）Multi-column CNNs 引入了冗余的网络结构，如表1 所示 3） density level classifier ，这样计算量比较大 4） 这些网络用了很大一部分参数用于 density level classification，用于密度图估计的参数占小部分 3
1.7K30发布于 2019-05-26 - 来自专栏机器学习、深度学习
人群分析、人群计数 开源代码文献及数据库
Scale-adaptive Convolutional Nerual Network https://github.com/miao0913/SaCNN-CrowdCounting-Tencent_Youtu 人群分析 Towards perspective-free object counting with deep learning ECCV2016 https://github.com/gramuah/ccnn 人群计数 Density Estimation for Crowd Counting AVSS 2017 https://github.com/svishwa/crowdcount-cascaded-mtl 人群计数 /hosseinm/med Panic，Fight，Congestion，Obstacle ，Neutral 人群异常检测 Anomaly Detection and Localization in Crowded Scenes 数据库 http://www.svcl.ucsd.edu/projects/anomaly/ 人群分析 Deep Spatio-Temporal Residual
2.1K70发布于 2018-01-03 - 来自专栏python3
python3 闭包
闭包 1. number_in print(ret(200)) 运行结果： in test_in 函数, number_in is 100 120 in test_in 函数, number_in is 200 220 3. 闭包再理解 内部函数对外部函数作用域里变量的引用（非全局变量），则称内部函数为闭包。 c1()) 7 >>>c2=closeure.counter(100) >>>print(c2()) 101 >>>print(c2()) 102 nonlocal访问外部函数的局部变量(python3) 闭包思考： 1.闭包似优化了变量，原来需要类对象完成的工作，闭包也可以完成 2.由于闭包引用了外部函数的局部变量，则外部函数的局部变量没有及时释放，消耗内存
55820发布于 2020-01-13 - 来自专栏张叔叔讲互联网
人群数据如何对外输出
比如用户希望在Push平台上针对指定人群下的所有用户推送消息，此时可以使用画像平台接口拉取人群数据；在七夕活动中，运营人员投放使用了多个人群，为了分析不同人群的转化效果，此时需要将人群结果的Hive表提供给数据分析师使用 Hive表的方式就是将人群结果表告知业务使用，此时需要注意以下3个问题：权限问题：如果所有人群的结果都存储在同一张Hive表中，需要严格进行权限控制。 拥有数据表权限的用户理论上可以读取到所有人群下的用户数据，如果部分人群数据比较敏感（比如充值用户人群、日活用户人群），就需要严格控制Hive表的读取权限。 可以通过人群下载等平台功能将人群数据导出到临时Hive表中供业务使用，这样可以避免上述三类问题的发生。对外提供人群数据的服务接口主要有两个：获取人群基本信息接口和获取人群BitMap接口。 当业务方需要感知人群状态变化时，可以定期调用人群基本信息接口，对比人群前后状态就可以知道人群状态是否变更。比如在Push平台上置了一个定时更新人群，当人群数据更新后需要再次给人群下的用户推送消息。
72050编辑于 2023-10-23 - 来自专栏机器学习AI算法工程
受众行为分析与人群定向
明白了这一点，也就触摸到了人群定向的天花板–不可能百分之百精准。 如何从广泛的受众中提炼目标人群呢? 正是依靠受众行为分析。 定义3：受众聚类模型 ? 常用的聚类分析算法大致包括划分方法，分层方法，基于密度的方法和基于网格的方法等几类。 （3）通过随机抽样和划分技术，使得CURE算法能够处理超大规模的数据，以加快聚类算法的执行效率。 继续前面的例子，已有受众A: ρ1={1,0.75,0.8,0.1,…}，若还有受众B: ρ2={2,0.78,0.81,0.2,…}，受众C: ρ3={3,0.77,0.82,0.1,…}等等。 人群定向投放 作为人群定向广告正式投放前的最后一步，受众聚类和结构化的人群分类将进行匹配映射。这种映射是利用二者标签集合的重合度来实现的。
2.4K70发布于 2018-03-14 - 来自专栏机器学习、深度学习
人群计数--Mixture of Counting CNNs
of CNNs Specialized to Specific Appearance for Crowd Counting https://arxiv.org/abs/1703.09393 本文是人群计数的 ，不是人群密度估计。 这里主要的思路是针对不同场景的 scale and congestion 造成图像块的 Appearance 差别很大，这里我们使用多个小 CNN 来估计总人群。 另外适应一个大点的 CNN 对 图像块进行分类，这种分类主要依据人群密度大小。类别的概率作为每个小 CNN 的权重。 Appearance 的差异性 ?
71370发布于 2018-01-03 选址、调研所需周边人群画像怎么获取？区域人群画像分布API接入指南！
在传统商业决策中，有多少资源因“目标人群”画像模糊而被浪费？多少营销活动因缺乏精准人群触达而效果不佳？多少市场调研因无法获取核心客群画像数据，导致策略偏离实际？ 此外，你还能选择10类人群，获取其11类画像数据，涵盖基础画像（如年龄、性别）和各种偏好画像（如消费、兴趣），全面覆盖人群分析所需维度。 API获取指南及应用案例这个API主要来源是一个新上线的数据开放平台，提供很多人群、客流类 API（人群热力图、人群画像、客流趋势、客流画像等），比较小众，但包含的API还是很实用的。 location": "113.943,22.535", "data_type": 1})headers = { 'token': '5b139c8cd617c24965401965a9fdc6e3' 若您的业务也需构建人群画像、区域洞察或客流分析等能力，“区域人群画像分布API”将是理想选择。
34210编辑于 2025-10-17- 来自专栏祥的专栏
自定义包及3种包导入方式
3种方法 3.扩展 Python自定义包及3种包导入方式 1.自定义包 包就是一个至少包含__init__.py文件的文件夹，这个文件是必须存在的，否则，Python就把这个目录当成普通目录(文件夹)， 以下自定义了一个包，包所在的目录为D:\Code_Sources\Python\Test\，即就是这个目录下有个叫parent的包。 ? __all__ = ["mod2_1", "mod2_2", "mod2_3"] if __name__ == '__main__': print('Pack2作为主程序运行') else: 3种方法 我在桌面C:\Users\Administrator\Desktop\新建了一个main.py文件**（和自定义的包不在一个目录）**，自定义包的目录：D:\Code_Sources\Python ： ['mod2_1', 'mod2_2', 'mod2_3'] 请按任意键继续. . .
3.4K20发布于 2020-03-10 - 来自专栏无原型不设计
Mockplus 的主要应用人群
所以，Mockplus的适用人群是比较广的，只要你有产品（范围很广，可以是某网站，某功能，某个策划案，某个广告模型，某个创意等）模型的展示需要。
84360发布于 2018-03-15 - 来自专栏sktj
python3 模块和包
多个文件组成一个包 init.py ? 导入所有包内成员 ? 调用 ? file 查看模块的源路径
36210发布于 2019-12-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号