- 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LookALike以及挖掘人群的创建思路
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。 规则人群是通过“条条框框”的筛选条件找出满足要求的用户，而挖掘人群通过算法更好地拟合用户特点，以业务的优化目标为导向更精确地找到目标用户。 以上示例都有具体的挖掘人群的优化目标：游戏下载量、充值金额、关注用户数，算法工程师根据该目标选择合适的模型进行人群挖掘。 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。 以上述充值送好礼活动为例，为了挖掘出充值意愿比较强烈的用户群，第一步需要找到种子人群，可以把最近有过充值行为的用户和最近在应用中有过消费行为的用户作为种子人群；第二步是基于种子人群进行扩量，其实现思路与
1.9K30编辑于 2023-10-22 - 来自专栏生信技能树生信入门马拉松
Day8 GEO数据挖掘
芯片差异分析的起点是一个取过log的表达矩阵(取值范围0-20之间)，如果拿到的是不是取过log的矩阵，需先取log
34910编辑于 2024-05-08 - 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
，同理，人群圈选条件最终转换为Hive SQL语句并最终将执行结果构建为人群。 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。 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。 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。
90710编辑于 2023-10-19 day 7-8 GEO数据挖掘
2.GEO背景介绍+分析思路 表达数据实验设计：分组需要有意义 分组为病变组织VS 健康组织 如果公共数据库没有，需要自己测 2.1数据挖掘：有差异的材料→差异基因→找功能/找关联→解释差异,缩小基因范围 发链接让别人帮忙下，放在工作目录里 #2.试试geoChina,只能下载2019年前的表达芯片数据 #library(AnnoProbe) #eSet = geoChina("GSE7305") #选择性代替第8行 pd,exp,gpl_number,file = "step1output.Rdata") # 原始数据处理的代码，按需学习 比较难 # https://mp.weixin.qq.com/s/0g8XkhXM3PndtPd-BUiVgw # 方法3 官网下载注释文件并读取 # 方法4 自主注释，了解一下 #https://mp.weixin.qq.com/s/mrtjpN8yDKUdCSvSUuUwcA save(exp,Group,ids step2output.Rdata") #比较复杂的探针注释参考资料 #资料1：拆分取列https://www.yuque.com/xiaojiewanglezenmofenshen/kzgwzl/sv262capcgg9o8s5
50010编辑于 2025-08-15- 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
/usr/bin/python2.7 # -*- coding: utf8 -*- import decimal import time import math import sys import os import Collection from decimal import Decimal import datetime reload(sys) sys.setdefaultencoding("utf-8" 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 all_uid_list = [] uid_sim_map = {} # uid_sim_map["1_291083852"] = ["1_757155427:8" : 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。 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 人群密度估计从方法上来说可以分为三大类：detection-based methods, regression-based methods, and density estimation-based methods
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 - 来自专栏新智元
Lookalike算法教你用深度学习挖掘高相似度人群
Lookalike会对种子人群各个维度的特征（人口基础属性、社交属性、行为属性等）进行全方位分析。 效果和规模之间达成“帕累托最优”(最理想状态)显得相对棘手——随着流量数量的增大，人群的聚焦性也必然逐步降低，寻找目标人群的难度加大，致使非目标人群的比例也随着流量的增加而增加。 而Lookalike技术通过大数据分析和复杂模型学习归纳高质量人群的人口特征，然后在更大的流量范围内找具有类似人口特征的人。 Lookalike技术成今年腾讯广告算法大赛主题，探索更多新算法和应用 腾讯社交广告早在 2013 年开始调研探索 Lookalike 技术，设计基于种子用户画像和关系链寻找相似人群，即根据种子人群的共有属性进行自动化扩展 因此在商业应用的时就需要一个逐步探索扩展的过程，而不是一次性扩展大量人群。在广告投放上这种需求更加迫切，如果扩展人群数过多必然导致精准性差，反之则会影响广告的曝光展示量。
3.3K20发布于 2018-06-22 - 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。 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。 获取人群基本信息接口主要用于查询人群基本信息，其中包括人群名称、用户数量、人群状态、创建者、创建规则等，该接口可以使用缓存来提高接口性能。 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。
72150编辑于 2023-10-23 - 来自专栏人工智能LeadAI
进行数据挖掘的 8 个最佳开源工具
正文共1269个字，4图，预计阅读时间8分钟。 数据挖掘，又称为资料探勘、数据采矿。 在本文中，我们整理了进行数据挖掘的 8 个最佳开源工具。 1、weka ? WEKA作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。 2、Rapid Miner RapidMiner是世界领先的数据挖掘解决方案，在一个非常大的程度上有着先进技术。它数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。 ELKI是类似于weka的数据挖掘平台，用java编写，有GUI图形界面。可以用来寻找离群点。 8、Rattle ?
1.6K30发布于 2018-07-26 - 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。 下面我们以易传媒的广告投放算法为例，浅析一下怎样由预先标注的关键词标签，一步步建立完整的受众行为分析模型，挖掘出具有相似行为特征的人群，提炼人群的属性特征，最终进行最合适的广告投放的。 这得有请在计算机届鼎鼎有名的数据挖掘工：聚类（Clustering）。聚类是一个将数据集划分为若干类的过程。聚类的宗旨和评判标准是使得同类对象相似度尽可能大，而各个类之间的相似度尽可能小。 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。 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。
2.5K70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！
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。 1, "radius": 100, "location": "113.943,22.535", "data_type": 1})headers = { 'token': '5b139c8cd617c24965401965a9fdc6e3 /populationlabel", payload, headers)res = conn.getresponse()data = res.read()print(data.decode("utf-8" 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。
34510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 - 来自专栏智能大数据分析
数据仓库作业五：第8章 关联规则挖掘
第8章 关联规则挖掘 作业题 1、设4-项集 X=\{a,b,c,d\} ，试求出由 X 导出的所有关联规则。 解： 首先生成项集的所有非空真子集。 \{a,c\} {a,c} 2015.03.05 t 8 t_8 t8 c 2015.03.03 t_5 c_{02} \{a,c\} 2015.03.03 t_6 c_{03} \{b,c\} 2015.03.03 t_7 c_{01} \{a,c\} 2015.03.05 t_8
27100编辑于 2025-01-22 - 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
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 人群异常聚集检测告警算法之所以选择YOLO系列框架模型，是因为YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好 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。 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。
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