- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习原理
示例三（3）——人物画像特征提取
前言：一个人的信用评级一般用人物画像来评判，如何从很多的人物特征中提取有用的特征呢？ 下面以一个金融反欺诈模型为例子来对特征提取有一个简单的理解。 /data/LoanStats3a.csv', skiprows = 1, low_memory = True)#skiprows跳过第一行，low_memory低内存加载，报错就该成False ''' out_prncp_inv has 1 col collections_12_mths_ex_med has 2 col policy_code has 1 col acc_now_delinq has 3 chargeoff_within_12_mths has 2 col delinq_amnt has 4 col pub_rec_bankruptcies has 4 col tax_liens has 3 term has 2 col grade has 7 col emp_length has 11 col home_ownership has 5 col verification_status has 3
1.6K30发布于 2018-06-13 - 来自专栏凹凸玩数据
用户画像
关于用户画像的概念，数据相关从业人员应该都知道。用户画像的应用场景很广泛，比如精细化运营、数据分析与挖掘、精准营销、搜索和广告的个性化定向推送等。 用户画像的分析核心一个是对用户建模打标签，关于这，之前在内部交流群分享了一份个人学习的资料，大家都觉得真香，今天把全部内容共享出来供大家自行下载阅读。 主要目录： 1、用户画像应用场景 2、产品层面的宏观分析维度 3、用户画像标签类型 4、用户画像项目开发流程 5、数据仓库介绍 6、用户画像数据质量管理 7、常见需要开发的用户画像相关模型 8、用户行为标签表实际开发案例
6.6K20发布于 2020-02-20 - 来自专栏算法channel
画像分析
关于用户画像的概念，数据相关从业人员应该都知道。用户画像的应用场景很广泛，比如精细化运营、数据分析与挖掘、精准营销、搜索和广告的个性化定向推送等。 用户画像的分析核心一个是对用户建模打标签，关于这，之前宝器在内部交流群分享了一份个人学习的资料，大家都觉得真香，今天把全部内容共享出来供大家自行下载阅读。 主要目录： 1、用户画像应用场景 2、产品层面的宏观分析维度 3、用户画像标签类型 4、用户画像项目开发流程 5、数据仓库介绍 6、用户画像数据质量管理 7、常见需要开发的用户画像相关模型 8、用户行为标签表实际开发案例
2.6K50发布于 2020-02-21 - 来自专栏算法之名
Flink用户画像用户画像行为特征
","id":15,"tablename":"user_info","account":"abcd","age":24,"email":"981456@qq.com","status":0} 创建用户画像 reduce.addSink(new CarrierAnalySink()); env.execute("portrait carrier"); } } 创建用户画像会员分类标签 ); reduce.addSink(new MemberAnalySink()); env.execute("portrait member"); } } 用户画像行为特征 这里我们会分析用户的几个行为，并进行画像 浏览商品行为：频道id、商品id、商品类别id、浏览时间、停留时间、用户id、终端类别(1、PC端，2、微信小程序，3、app)、deviceId。 创建用户画像商品类别偏好标签 创建一个商品类型标签实体类 @Data public class ProductTypeLabel { private Long userid; private
10.2K20发布于 2021-11-10 - 来自专栏张叔叔讲互联网
画像平台常见的3种数据模型
画像数据对于画像平台无疑是非常重要的，按什么样的数据模型存储画像数据直接影响了上层画像平台所能支持的功能范围，本文内容主要介绍3种常见的画像数据模型及其适用的平台功能。 基于用户－行为模型，可以结合用户属性类标签和行为标签实现更加复杂的人群圈选和分析功能，比如圈选出3月1日到3月24日之间，平均在线时长超过1000秒的河南省男性用户；针对给定人群，分析其从3月15日到3 基于行为明细数据可以实现更加细致的人群圈选和分析功能，比如圈选出3月1日到3月7日，中午12：00到14：00之间，使用Android系统进行登录的河南省女性用户；筛选出3月24日登录2小时之内发生了点赞行为的用户 以上介绍了常见的3种画像平台数据模型，随着模型复杂度的提升，工程实现难度不断提高，但是可支持的功能范围逐渐扩大。 ---- 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。
93520编辑于 2023-10-06 - 来自专栏凹凸玩数据
用户画像
开发画像后的标签数据，如果只是“躺在”数据仓库中，并不能发挥更大的业务价值。只有将画像数据产品化后才能更便于业务方使用。 图3 用户标签查询 03 元数据管理 标签编辑管理功能主要是面向数据开发人员。数据开发人员在开发完标签后，需要将标签录入元数据进行管理，如图4所示。 ? 例如：组合“近30日购买次数”大于3次和“高活跃”“女性”用户这3个标签定义目标人群，查看该类人群覆盖的用户量，以及该部分人群的各维度特征。下面介绍产品上的实现方式。 图13 对比分析两个人群特征 本文介绍了用户画像产品化主要涵盖的功能模块以及这些模块的应用场景。用户画像产品化是把数据应用到业务服务中的一个重要出口，业务人员熟知业务，但对数据不了解。 本文摘编于《用户画像：方法论与工程化解决方案》，经出版方授权发布。
5.7K30发布于 2020-11-04 - 来自专栏AI机器思维
数据画像
01 什么是健康码画像？ 健康码画像让普通大众理解了数据，其实在实际的应用中还有很多针对特定场景的画像，如用户画像、产品画像、业务经营画像等，下面以用户画像为例讲解。 02 什么是用户画像？ 通过这个用户画像，从而对这个人有了一个整体的认识，一个完整的人物画像已经呈现在了你的脑海里。当标签被描述得越多，用户画像就越清晰。 3）从数据角度而言，用户画像有助于建立数据资产，挖掘数据的价值。使数据分析更为精确，甚至可以进行数据交易，促进数据互联互通的流通。 3.数据标准化：用户画像需要整合多源甚至跨系统的数据，如客户可能使用多个设备，拥有移动网络的多个账号，需要把同一个身份ID组合，建立统一的标准，才能完整标识实体的用户画像。
5.7K40发布于 2020-04-22 - 来自专栏算法无遗策
用户画像构建
用户画像是指用户的进行标签化、信息结构化。 构成用户画像的基本元素通常有：姓名、照片、个人信息、经济状况、工作信息、计算机互联网背景。 用来丰富用户画像的元素有：居住地、工作地点、公司、爱好、家庭生活、朋友圈、性格、个人语录等等。 创建用户画像的方法 用户画像的作用 精准营销，分析产品潜在用户，针对特定群体利用短信邮件等方式进行营销； 用户统计，比如中国大学购买书籍人数 TOP10，全国分城市奶爸指数； 数据挖掘，构建智能推荐系统
4.6K11发布于 2019-12-23 - 来自专栏计算机视觉CV
用户画像小结
前段时间做可一些用户画像方面的工作，对用户画像技术有了初步了解。如果你是一个对大数据和用户画像技术完全不了解的小白，希望这篇文章可以提供一点帮助。 在项目开展前，当然要先了解用户画像主要是干什么的，下面是我总结的两篇文章，大家可以先对大数据和用户画像有个基本的认识。 用户画像--《美团机器学习实践》笔记 如果刚接触用户画像，可以先通过以上两篇文章对用户画像挖掘和应用有初步了解。如果你读完以后是一脸懵的话，我知道你很急，但是你先别急。 3 实战 买好装备，学好技能，可以简单实战下了~ 3.1 用户消费画像 我当时是先从实现一个RFM模型入手，熟悉从数据库读取库表，对库表进行操作以及分析的流程，顺便熟悉pyspark的一些常用API。 ~ 以上内容阐述了如何通过最直观简洁的方式来构建用户画像，让大家对用户画像的概念有更深入的理解。
1.6K111编辑于 2023-08-04 - 来自专栏全栈程序员必看
用户画像总结
（3）数据挖掘：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。 在互联网领域，用户画像数据可以包括以下内容： （1）人口属性：包括性别、年龄等人的基本信息 （2）兴趣特征：浏览内容、收藏内容、阅读咨询、购买物品偏好等 （3）消费特征：与消费相关的特征 （4）位置特征 3、标签体系结构分类 一般来说，设计一个标签体系有3种思路，分别是：（1）结构化标签体系；（2）半结构化标签体系；（3）非结构化标签体系。 （1）用户画像的基本方向；（2）用户数据收集；（3）用户标签建模。 （3） 面向应用 从刚才的数据整理、数据平台的计算，都已经将服务于上层应用的标签大宽表生成。（用户所对应的各类标签信息）。
3.4K11编辑于 2022-09-09 - 来自专栏架构师修炼
用户画像基础
图1-2 数据应用体系的层级划分 标签类型： 用户画像建模其实就是对用户“打标签”，从对用户打标签的方式来看，一般分为3种类型（如图1-3所示）：①统计类标签；②规则类标签；③机器学习挖掘类标签。 除去基础设施外，系统主体还包括Spark Streaming、ETL、产品端3个重要组成部分。图1-4所示是用户画像数仓架构图，下面对其进行详细介绍。 ? 表1-9 购物车信息表（dw.shopping_cart_df） 3. 画像表结构设计 表结构设计也是画像开发过程中需要解决的一个重要问题。 这里，labelid表示标签名称；cookieid表示用户id；act_cnt表示用户当日行为次数，如用户当日浏览某三级品类商品3次，则打上次数为3；tag_type_id为标签类型,如母婴、3C、数码等不同类型 例如，某用户在“20180701”日浏览某3C电子商品4次（act_cnt），即给该用户（userid）打上商品对应的三级品类标签（tagid），标签类型（tag_type_id）为3C电子商品，行为类型
5.2K50发布于 2020-08-06 - 来自专栏阿黎逸阳的代码
电信流失用户画像
本文和你一起探索电信流失客户的画像，后续文章会对电信用户进行流失预测。 一、数据读取与分析 首先介绍一下数据集，它总共包含了7043个用户的信息。 二、流失客户画像分析-明细 1 是否为老年人 是否为老年人指标不同值对应的客户流失率如下： 老年人和非老年人的客户数分别为1142和5901，在客户数上老年人的占比要远小于非老年人。 #每个箱体的总样本数 d3['bad_rate'] = d3['bad']/d3['total'] #每个箱体中坏样本所占总样本数的比例 d3['badattr'] = d3['bad d3['woe'] = np.log(d3['badattr']/d3['goodattr']) #计算每个箱体的woe值 iv = ((d3['badattr']-d3['goodattr 三、流失客户画像分析-总结 总结的流失客户画像如下： 至此，电信流失客户画像已讲解完毕。后续文章会对电信客户流失进行预测，敬请期待。
2.7K10编辑于 2023-08-21 - 来自专栏数据的力量
如何构建用户画像
伴随着对人的了解逐步深入，一个概念悄然而生：用户画像（UserProfile），完美地抽象出一个用户的信息全貌，可以看作企业应用大数据的根基。 一、什么是用户画像？ 二、为什么需要用户画像 用户画像的核心工作是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，如，可以做分类统计：喜欢红酒的用户有多少？喜欢红酒的人群中，男、女比例是多少？ 所以，用户画像，即：用户标签，向我们展示了一种朴素、简洁的方法用于描述用户信息。 3.1 数据源分析 构建用户画像是为了还原用户信息，因此数据来源于：所有用户相关的数据。 如，同样一瓶矿泉水，超市卖1元，火车上卖3元，景区卖5元。商品的售卖价值，不在于成本，更在于售卖地点。标签均是矿泉水，但接触点的不同体现出了权重差异。这里的权重可以理解为用户对于矿泉水的需求程度不同。 标签 权重 地点 矿泉水 1 超市 矿泉水 3 火车 矿泉水 5 景区 类似的，用户在京东商城浏览红酒信息，与在品尚红酒网浏览红酒信息，表现出对红酒喜好度也是有差异的。
3.3K61发布于 2018-06-20 - 来自专栏猴子数据分析
如何构建用户画像？
在《4个问题带你了解用户画像》中，我们了解了用户画像的定义、作用及使用注意事项等。 就有用户留言问了：在实际工作中，构建用户画像的方法有哪些？如何构建用户画像呢？ （3）电话访谈确定20名现场内测用户： 以上通过后台数据及问卷调查，我们确定了100名左右待选用户。 参与现场内测的用户需要限制数量，以保证测试人员能集中精力服务用户，发现问题。 分析量表能起到以下作用： 1）发现游戏的短板，确定优化反向； 2）发现游戏的亮点，助力后续游戏推广和营销； 3）确定核心用户需求，促进后续深度访谈及构建用户画像。 2）游戏经历问题+其他游戏相关问题 这部分构建了用户A的游戏关联画像，同时也为游戏后续（包括直播、推广、付费等）提供思路。 3）游戏外问题+结束语 与游戏相关问题结合，组成了用户A完整的画像。 3. 提炼画像 先学习一下合格的用户画像是怎样的？案例来自Fantham针对Divvy Bike共享单车的用研设计方案。
4.8K30发布于 2021-09-23 - 来自专栏猴子数据分析
如何构建用户画像？
image.png 在《4个问题带你了解用户画像》中，我们了解了用户画像的定义、作用及使用注意事项等。 就有用户留言问了：在实际工作中，构建用户画像的方法有哪些？如何构建用户画像呢？ image.png （3）电话访谈确定20名现场内测用户： 以上通过后台数据及问卷调查，我们确定了100名左右待选用户。 image.png 分析量表能起到以下作用： 1）发现游戏的短板，确定优化反向； 2）发现游戏的亮点，助力后续游戏推广和营销； 3）确定核心用户需求，促进后续深度访谈及构建用户画像。 image.png 3）游戏外问题+结束语 与游戏相关问题结合，组成了用户A完整的画像。 3. 提炼画像 image.png 先学习一下合格的用户画像是怎样的？案例来自Fantham针对Divvy Bike共享单车的用研设计方案。
2.9K00发布于 2021-08-11 - 来自专栏华章科技
什么是用户画像？金融行业大数据用户画像实践
3、将定量的信息归类为定性的信息 用户画像的目的是为产品筛选出目标客户，定量的信息不利于对客户进行筛选，需要将定量信息转化为定性信息，通过信息类别来筛选人群。 3、消费特征：用于描述客户主要消费习惯和消费偏好，用于寻找高频和高价值客户。帮助企业依据客户消费特点推荐相关金融产品和服务，转化率将非常高。 3）对数据进行分类和标签化（定量to定性） 金融企业集中了所有信息之后，依据业务需求，对信息进行加工整理，需要对定量的信息进行定性，方便信息分类和筛选。 3）证券行业用户画像 2015年4月13日，一码通实施之后，证券行业面临了互联网证券平台的强力竞争，依据TalkingData发布的金融App排行榜，移动互联网证券App，排名前5位的证券类App，只有一家传统券商华泰证券 P2P企业可以利用移动设备的位置信息，了解过去3个月用户的行为轨迹。如果某个用户经常在半夜2点出现在酒吧等危险区域，并且经常有飙车行为，这个客户定义成高风险客户的概率就较高。
3.1K30发布于 2018-08-17 - 来自专栏数据的力量
什么是用户画像？金融行业大数据用户画像实践
3、将定量的信息归类为定性的信息 用户画像的目的是为产品筛选出目标客户，定量的信息不利于对客户进行筛选，需要将定量信息转化为定性信息，通过信息类别来筛选人群。 3、消费特征：用于描述客户主要消费习惯和消费偏好，用于寻找高频和高价值客户。帮助企业依据客户消费特点推荐相关金融产品和服务，转化率将非常高。 3）对数据进行分类和标签化（定量to定性） 金融企业集中了所有信息之后，依据业务需求，对信息进行加工整理，需要对定量的信息进行定性，方便信息分类和筛选。 C：依据自身数据（家人数据）＋人生阶段信息，为用户推荐理财保险，寿险，保障保险，养老险，教育险 D：依据自身数据＋外部数据，为高端人士提供财产险和寿险 3）证券行业用户画像 2015年4月13日，一码通实施之后 P2P企业可以利用移动设备的位置信息，了解过去3个月用户的行为轨迹。如果某个用户经常在半夜2点出现在酒吧等危险区域，并且经常有飙车行为，这个客户定义成高风险客户的概率就较高。
2.6K60发布于 2018-06-21 - 来自专栏大数据学习与分享
用户画像标签体系
在数据的基建和应用层面，除了重视数据分析外，也越来越重视数据资产在更多业务场景中的应用，标签画像的建设和应用就是其中一类很常见的需求和期望。 从对业务的价值来说，标签和画像是类似中间层的系统模块，具体来说，数据资产本质上是一些采集、采购所获得的数据源，但企业希望在数据源的基础上，实现资产变现，而且不断扩大资产价值。 很多企业都意识到，这个中间层就是标签画像。 下面主要介绍了企业做标签画像的目的，重点阐述标签和画像的应用场景及应用流程，构建标签和画像体系的实操方法论，最后给出了行业案例。
2.8K62编辑于 2022-05-19 - 来自专栏用户画像
相似人群画像算法
string 与uid喜好相似的人群，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 :weight，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、相似人群画像也存在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中原有群画像进行合并。 :user的权重，公式为相似度/（相似度+10），区间为（1/3，10/11） :return:指定维度的群画像 """ if user_dimension !
2.6K61发布于 2018-07-19 - 来自专栏实时流式计算
什么是用户画像——从零开始搭建实时用户画像(一)
用户画像 简介 用户画像，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。 建立用户画像和精准化分析是关键。 用户画像可以使产品的服务对象更加聚焦，更加的专注。 这只是用户画像在电商领域的应用，事实上用户画像已经不知不觉的渗透到了各个领域，在当前最火的抖音，直播等领域，推荐系统在大数据时代到来以后，用户的一切行为都是可以追溯分析的。 步骤 什么是用户画像？ 用户画像是根据市场研究和数据，创建的理想中客户虚构的表示。创建用户画像，这将有助于理解现实生活中的目标受众。 用户画像最重要的一个步骤就是对用户标签化，我们要明确要分析用户的各种维度，才能确定如何对用户进行画像。
13.3K34发布于 2020-05-26
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