- 综合排序
- 最热优先
- 最新优先
- 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 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。 数据锁问题：用户在读取人群结果表数据的同时可能遇到人群数据正在写入的情况，这个时候会出现数据锁问题，可以通过show locks查看锁表情况。 数据表下线问题：当人群结果表应用到数据生产和分析任务中时，人群表的更新或者下线会对下游依赖产生影响。 当调用方通过接口拉取人群数据时，画像平台侧首先从OSS读取人群BitMap数据，然后通过人群BitMap接口返回给调用方。
72150编辑于 2023-10-23 - 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 Network for Dense Crowd Counting Caffe: https://github.com/davideverona/deep-crowd-counting_crowdnet 人群数据库 Novel Dataset for Fine-grained Abnormal Behavior Understanding in Crowd 人群异常行为数据库：https://github.com /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 - 来自专栏数据科学和人工智能
数据集 | 贷款人群信息数据集
下载数据集请登录爱数科(www.idatascience.cn) Lending Club平台2012-2018年的贷款数据。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
1.2K10编辑于 2022-03-30 - 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。 使用画像数据、行为数据、消费数据等为每一个用户构建特征向量，构建过程依赖数据编码、数据归一化等手段。 借助画像数据对种子人群进行特征分析并找出其主要标签特征，比如种子人群标签特征趋向于：性别男、年龄30至40岁、兴趣爱好－军事，那么可以把非种子人群中的所有30-40岁之间爱好军事的男性用户圈选出来作为目标人群 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。 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
规则圈选是按照指定条件从画像数据中找到满足要求的用户并沉淀为人群的一种常见的人群创建方式。所谓的规则就是条件的组合，比如北京市男性用户，最近一周平均在线时长介于2到10分钟之间的中老年用户。 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。 SQL语句示例如下所示，SQL执行后人群结果数据将直接存储到人群结果Hive表中。 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。
2K00编辑于 2023-10-18 - 来自专栏小七的各种胡思乱想
AB实验人群定向HTE模型2 - Causal Tree with Trigger
hat{\tau}(S_l) = \hat{\mu_1}(S_l) -\hat{\mu_0}(S_l) \quad \text{叶节点CATE}\\ &F(S_l) = N_l * \hat{\tau}^2(
1.7K30发布于 2019-10-23 - 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。 不同用户配置导入人群时涉及的数据表不同，要严格校验用户对数据表是否有读权限，防止发生数据安全事故。 Hive导入和SQL导入方式创建的人群数据直接存储到Hive表中，后续需要通过HiveToBitmap将人群数据写入BitMap并存储在OSS中。 通过TXT或者CSV文件创建人群，其文件中只需要保存一列UserId数据。文件通过接口上传到服务端后可以解析其中的每一行数据，数据经处理后可以直接写入BitMap并存储到OSS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。
90610编辑于 2023-10-19 时空API实测：区域人群客流画像数据快速获取
公司市场部门要做人群客流调研做分析，到处找人群客流统计数据和画像数据，哪用那么麻烦？直接找相关API接口啊，分分钟获取数据。给市场同事搞定人群客流数据后，顺便写写分享出来，有相同需求的可以试试。 ， 2:工作人群，3:常驻人群，4：年轻群体居住，5：年轻群体工作，6：高净值人群居住，7：高净值群体工作， 8: 居住迁入迁出， 9: 工作迁入迁出，10: 常驻迁入迁出data_typeinteger API中可选择10类人群、11类人群画像数据，涵盖基础画像（如年龄、性别）和各种偏好画像（如消费、兴趣），不同人群不同画像，满足多样人群分析需求，应用面挺广。 回到今天推荐的核心API：“区域人群画像分布”，API接口设计简洁易用，开发者可以快速集成到系统中，以下是关键步骤：1.注册与认证登录平台控制台，获取区域人群画像接口API Key，用于后续接口调用；2 ，各类人群的画像数据基本都有，若能深度开发或集成“区域人群画像分布API”至产品，即可获得多维度的深度人群洞察。
46510编辑于 2025-07-15- 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', ，格式为用户编号:相同阅读量，相似用户之间以逗号分隔 sim_num BIGINT 相似人群的人数 update_date string 数据日期 2、基础用户画像存在MongoDB中 Image [ MongoDB中 QQ截图20180719095235.png 二、整体思路 由于TESLA集群无法直接操作MongoDB，需要将TDW里面的用户画像数据，通过洛子系统导出至HDFS，再与MongoDB :param all_uid:用户的编号列表 :type batch_num: int """ rs = {} # 数据库查询所有人群用户画像 om_users_basic_profile_map # print("dump basic profile %d records" % len(pac_all_users_profile_map)) # 数据库查询相似人群画像
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
Understanding the Highly Congested Scenes CVPR2018 针对复杂场景的拥挤场景理解我们提出了一个 CSRNet 网络，该网络主要包括两个部分，前端使用一个 卷积网络用于 2D 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 ? 的密度图估计多数采用了 multi-column based architecture (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） 不同数据库真值密度图的生成 3.2.2 Data augmentation 这里我们做了一些数据增强来增加训练样本的数量 3.2.3 Training details 损失函数如下： ?
1.7K30发布于 2019-05-26 - 来自专栏生信技能树
Illumina首款东亚人群数据芯片ASA看这里哦
Illumina之前推出的 GSA（Global Screening Array） 芯片获得了较大成功，此次主要基于东亚及东南亚人群数据开发了高通量芯片ASA（Asian Screening Array ）用以低成本大规模推动人群分型。 果壳生物成立于2017年2月，是一家旨在利用基因数据与其他维度数据相结合实现“未病先治、已病防变”的精准医疗公司。 （图二） 图一显示了ASA芯片标记的选取数据主要来源：中国、日本、韩国、蒙古国、新加坡等东亚及东南亚人群数据，其骨架基于9000个上述人群全基因测序数据获得，筛选出了共大约60万个标记。 不难发现ASA-CHIA芯片标记数据利用更充分，也更适合亚洲人群。 ? （图三） 那么ASA-CHIA SNP芯片有哪些用途呢？ 1.
3.1K80发布于 2018-03-29 - 来自专栏计算机视觉战队
腾讯优图出品：P2P网络的人群检测与计数
在过去的几十年中，研究人员在该领域投入了大量精力，并在提升现有主流基准数据集的性能方面取得了显着进展。 此外，由于数据分布之间的域转移，在标签丰富的数据域（源域）上训练的模型不能很好地泛化到另一个标签稀缺域（目标域），这严重限制了现有方法的实际应用。 2 引言 最近的ICCV2021，腾讯优图出品了一个人群基数相关论文《Rethinking Counting and Localization in Crowds: A Purely Point-Based 此外，作为该框架一个直观解法，研究者给出了一个示例模型，叫做点对点网络（P2PNet）。P2PNet忽略了所有冗余步骤，直接预测一系列人头点的集合来定位图像中的人群个体，这完全与真实人工标注保持一致。 实验证明，P2PNet不光在人群计数基准上显著超越了已有SOTA方法，还实现了非常高的定位精度。
1.8K10编辑于 2022-01-25 - 来自专栏机器学习AI算法工程
受众行为分析与人群定向
于是，以物拟人，以物窥人，才是比任何大数据都要更大的前提。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。 这个预处理过程，大致可分为以下三步： （1）记录受众的历史行为，包括产生浏览、点击、搜索、注册、购买等行为的网页地址（URL），积累原始数据； （2）以商品内容和新闻内容为导向，建立关键词标签库，作为受众行为分析的基础元数据 （2）通过因子α将代表点向聚类中心进行收缩，从而使聚类算法抵抗离群点的能力更强。 （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。 这个人群就是经过多道工序处理之后，数据挖掘工最终给我们淘出的亮灿灿的金子。 根据第一节所述关键词模型的优势，它至少有如下两个用途： （1）当一个投放策略的人群定向选择了”奢侈品”或者”汽车”时，广告允许被指定投放给受众聚类φ所包含的Cookies. （2）利用两个标签在一个细分人群中的内在关联性
2.5K70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。 返回响应参数从返回参数中可见该API的数据丰富度——仅基础画像就包含8类分布数据。对于有真实人群画像统计与分析需求的企业和产品而言，该接口能大幅节省调研时间与人力成本。 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。 注册与在线免费体验1、登录及刻开放平台，打开能力中心页面的“泛客流”栏目，找到“区域人群画像分布API”；2、查看API详情与套餐，或直接参阅开发文档，了解调用规则与接入方法。
34410编辑于 2025-10-17- 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 - 来自专栏燧机科技-视频AI智能分析
人群异常聚集识别监测系统
人群异常聚集识别监测系统基于OpenCv+yolo网络深度学习模型，对监控区域内的人员异常聚集行为进行识别，一旦人群异常聚集识别监测系统OpenCv+yolo网络深度学习模型发现监控画面中出现人群大量聚集 图片Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2=98 个bounding box。
85330编辑于 2022-12-27 - 来自专栏燧机科技-视频AI智能分析
人群异常聚集检测告警算法
人群异常聚集检测告警算法基于yolov5图像识别和数据分析技术，人群异常聚集检测告警算法通过在关键区域布设监控摄像头，实时监测人员的密集程度和行为动态,分析和判断人群密集程度是否超过预设阈值，一旦发现异常聚集 YOLOv5是一种单阶段目标检测算法，人群异常聚集检测告警算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 人群异常聚集检测告警算法中在YOLOv5训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。 CutMix仅仅利用了两张图片进行拼接，而Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成。 这种增强方法可以将几张图片组合成一张，这样不仅可以丰富人群异常聚集检测告警算法数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。
1.4K20编辑于 2023-09-10 - 来自专栏燧机科技-视频AI智能分析
人群聚集监测预警算法 python
人群聚集监测预警系统采用python+opencv网络模型AI视频智能分析技术，人群聚集监测预警算法对人员聚集情况进行实时监测，当人群聚集过于密集时，系统将自动发出警报。 OpenCV-Python使用Numpy，这是一个高度优化的数据库操作库，具有MATLAB风格的语法。所有OpenCV数组结构都转换为Numpy数组。
51810编辑于 2023-09-05
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