- 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
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。 图5-37展示了通过服务接口对外输出人群数据的流程图，其中包含了人群状态监听和人群数据拉取过程。图片----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。
72150编辑于 2023-10-23 - 来自专栏小七的各种胡思乱想
AB实验人群定向HTE模型5 - Meta Learner
{\mu}_1 (x) - \hat{\mu}_0(x) \end{align} \] T-Learner有3个很明显的问题 对照组的模型无法学到实验组的pattern，实验组的模型也无法用到对照组的数据 但因为树本身是对outcome进行建模而非对treatment effect进行建模，很有可能有效的人群划分方式在这种情况下并学习不到。
2K21发布于 2020-03-19 - 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Dissecting Unreal
UE5 CitySample的MassAI海量人群绘制
之前这篇有说过Mass的Visualization，在近处是真实可以交互的Actor，而在远处会统一合并成ISM，如下图所示。
2.2K60编辑于 2022-04-19 - 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
画像平台人群创建方式-规则人群创建
规则圈选的实现依赖画像宽表数据或者BitMap数据，其实现逻辑如图5-12所示。 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。 图5-14展示了Hive和OSS人群BitMap之间相互转换的主要方式。
2K00编辑于 2023-10-18 - 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
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。 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。 该方式的重点是对种子人群进行画像分析并找出主要特征，此处可以通过与大盘用户（日活或者月活）对比计算TGI找到种子人群主要画像分布特征。基于特征分布计算相似人群的流程如图5-27所示。 通过分类算法计算相似人群也是业界常见的人群LookALike实现方案，图5-28展示了其主要实现流程，其中分类模型可以使用传统的机器学习或者深度学习方法。 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 - 来自专栏数据D江湖
巨量引擎O-5A人群资产经营方法论
来源：巨量引擎 公众号后台回复： 报告 获取源文件 欢迎添加本站微信：datajh （可上下滑动或点单个图片放大左右滑动查看）
1.1K40编辑于 2022-12-08 - 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
图5-20展示了3种导入人群的可视化配置页面。 Hive表导入和SQL导入的实现逻辑比较简单，如图5-21所示，Hive表导入配置和SQL语句配置都会转换为SQL导入语句，经由大数据引擎执行后获取到人群数据。 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。 图5-22展示了通过上传文件创建人群的流程图，其中展示了DeviceId文件上传的处理流程，DeviceId需要做一次ID转换之后再写入人群BitMap。 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 - 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。 5 Experimental Results ? ? ? ? ?
1.5K40发布于 2019-05-26 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 不像很多固定时间和区域的接口一样，它可以自由选择不同季度（Q1~Q4）、多种网格大小（100、200、500、1000）面积下的区域，想看哪里的人群画像就圈哪里，还能追溯历史数据，适配各种数据精准化需求 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。 ，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Coggle数据科学
DF消费者人群画像—信用智能评分方案分享（top5）
完整方案 1.赛题背景和意义 2.数据探索和特征工程 3.研究成果 4.未来展望 1.赛题背景和意义 ? ? 此次比赛是中国移动福建公司提供2018年某月份的样本数据，包括客户的各类通信支出、欠费情况、出行情况、消费场所、社交、个人兴趣等丰富的多维度数据，参赛者通过分析建模，运用机器学习和深度学习算法，准确评估用户消费信用分值 中国移动作为通信运营商拥有海量、广泛、高质量、高时效的数据，如何基于丰富的大数据对客户进行智能评分是中国移动和新大陆科技集团目前攻关的难题。 有了赛题的初步了解，我们接着考虑赛题的意义，主要为四个方面，（1）可直面真实场景数据，可以接触到企业内部真实脱敏的数据，让参赛者在真实业务场景上使用数据；（2）可以交流多种想法，可以接触到企业内部真实脱敏的数据 这里将分为四个方面，（1）数据多种数据影响，对数据的预处理，不同类别影响因素对用户信用的影响；（2）同样特征工程，特征在某些模型表现优异，而在另一些模型表现不佳；（3）构建新的特征不同模型采用了不同特征
2.1K20发布于 2019-09-12 - 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。 以前基于CNN网络的人群密度估计主要采用了 multi-scale architectures，虽然取得了不错的性能，但是存在两个问题：当网络变深的时候， the large amount of training 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 - 来自专栏深度学习与python
3 层人群定位 × 5 种赋能手段，企业全员数据能力提升指南 | 极客时间企业版
数据标准混乱，各部门自成体系，缺乏统一的数据定义、分类和编码规范，导致数据整合、共享和交互困难，阻碍数据资产的有效管理。 数据质量缺少管控。 数据分散存储在不同系统和平台，缺乏有效的数据存储规划和管理，数据安全性和可扩展性差，易形成数据孤岛，限制数据的流通和应用。 规范化的数据将存储至企业数据平台，并开展数据开发处理工作，涉及数据平台开发、数据仓储、大数据技术以及流批一体等数据开发技术。 结合上述三个人群，极客时间设计了一套分层赋能培养框架，上述每一个层级的人员都有对应的痛点、能力和培养目标。 企业管理者。 第二是通过数据相关技术和企业数据能力提升，帮助提升业务创新能力。 数据人才培养方案 将企业内部人员划分为三个类别后，极客时间针对各个人群设计了适配的培养方案。
37810编辑于 2025-05-21 - 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 （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。 图二显示了CHIA定制5万个标记，其分布如下：1. 祖源追溯相关位点大约3万个，疾病易感性位点、疾病筛查位点大约1.5万，探索性位点大约5千。 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. 服务并并推动DTC领域发展，通过追溯祖源，探索、解析性格特征等让每一个通过基因更了解独特的自己； 5. 积累数据，推动不同维度的数据与基因数据相结合为实现“未病先治、已病防变”做基石。 ? ?
3.1K80发布于 2018-03-29 - 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？ 区域人群画像分布APIAPI介绍：查询指定区域内得人群基础画像（共11类画像数据）；从标准开发文档中的关键参数，即可看出其灵活性与实用价值：Body参数从Body参数可知，你可以自由选择不同季度（Q1~ 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。
34410编辑于 2025-10-17- 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。 举例来说，关键词标签 Valentino (id为1) 的模型 σ={1,100,5,0,0,1} 表示在用户浏览的网页中共含有关键词Valentino 100个，在他/她点击过的页面中含有关键词Valentino 5个，而在他/她进行购买下单的页面中含有1个关键词Valentino。 它克服了偏向发现相似大小和圆形形状聚类的问题；同时在处理高维数据和异常数据时也表现得更加高效稳定。 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。
2.5K70发布于 2018-03-14 - 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
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