- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术篇
IP画像中的重要维度——IP应用场景
在互联网在线广告反作弊、互联网交易支付反欺诈、互联网金融信贷风险控制及互联网征信位置核验领域中，IP画像对IP风险的控制作用十分巨大。 IP画像要通过判定IP状态，采取打分机制，量化风险值，精准识别恶意动态IP，解决由此带来的爬虫、撞库、薅羊毛等风险行为。其中IP应用场景是IP画像的一个重要维度。 在IP应用场景的技术原理中，首先，利用主动测量和公开数据源，划分IP块的使用状态，包含保留IP、未分配IP、已分配未路由IP、已路由未使用IP和已使用IP； 其次，对已使用的IP，分析IP所属的组织名称 在互联网金融信贷风险控制中，在贷前、贷中阶段，通过IP场景对用户的登录、交易所使用的IP地址进行应用场景分析，识别有风险的用户，对信贷业务进行风险控制。 在互联网征信位置核验中，通过IP场景核验使用者是否为真人用户，避免“互联网黑产组织”控制非人类使用者批量提供虚假信息。
1.3K30编辑于 2022-09-13 - 来自专栏猴子数据分析
4个问题带你了解用户画像
接下来，我将带你通过4个问题一次性弄明白用户画像。 image.png 1. 什么是用户画像？ 下图展示了电商和广告可能用户画像情形（说明：一款产品可能拥有多个用户画像代表）。 image.png （4）总结 image.png 2. 用户画像有什么用？如何使用？ 4）停止团队成员对产品内容优先级和执行顺序的争论。 image.png 对于一个项目而言，用户画像理应从最初的产品规划阶段就开始构建。 （4）产品营销推广阶段 营销推广本身范畴很大，包含产品的营销策略、市场活动和广告传播等，由于我们接下来继续用广告用户画像的例子，因此后续分析也重点放在广告推广方面。 （4）总结：用户画像有哪些注意事项 image.png 4. 总结 本篇主要带你了解用户画像的定义、作用和注意事项。下次带你了解如何构建用户画像。
1.3K00发布于 2020-10-28 - 来自专栏初见Linux
4.网络层-IP
IP数据包格式.png IP数据包由报头和数据两部分组成。报头的前一部分是固定长度，共20字节。在报头的固定部分的后面是可选部分——IP选项和填充域。 （1）版本号：4位. 占4位。 就是IP协议的版本，通信双方的IP协议必须要达到一致，IPv4的版本就是0100。 （2）首部长度(IHL)：4位 （5-4-32；20-15-60）占4位，所以首部长度的最大值为1111，15，又因为首部长度代表的单位长度为32个字（也就是4个字节），所以首部长度的最小值就是0101 ，当然，也确实如此，大部分的ip头部中首部字节都是0101.也就是5*4=20个字节，如果是最大值15的话，ip首部的最大值就是60个字节，所以记好了，ipv4首部长度的最大值就是60，当然当中我们又能发现 ，IPv4的首段长度一定是4字节的整数倍，要是不是怎么办呢？
1.3K20发布于 2020-08-05 - 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 - 来自专栏编程教程
代理IP在市场分析与用户画像研究中的应用解析
企业需要通过市场分析洞察行业趋势，通过用户画像精准定位需求，而代理IP（Proxy IP）作为数据采集的基础设施，正在重塑商业研究的底层逻辑。 本文将从技术原理、应用场景、案例解析三个维度，揭示代理IP如何赋能市场分析与用户画像研究，并探讨其技术挑战与未来趋势。 4G/5G网络环境 移动应用行为分析、广告欺诈检测 二、代理IP在市场分析中的三大应用场景 场景1：竞争对手监控与价格策略优化 技术逻辑： 通过代理IP轮换，模拟不同地区用户访问竞争对手电商平台，实时抓取价格 应用3：用户需求洞察与产品迭代 创新应用： 通过代理IP模拟不同网络环境（如3G/4G/5G），测试APP加载速度与功能可用性。 用户画像从“群体标签”进化为“个体轨迹”。 未来，代理IP与AI、区块链等技术的融合，或将重塑整个商业研究的范式。
47710编辑于 2025-08-29 - 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
</groupId> <artifactId>slf4j-log4j12</artifactId> <version>1.7.7</version> <scope>runtime </scope> </dependency> <dependency> <groupId>log4j</groupId> <artifactId>log4j</artifactId ","id":15,"tablename":"user_info","account":"abcd","age":24,"email":"981456@qq.com","status":0} 创建用户画像 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。 params; private String remark; private Boolean flag; private Date createTime; private String ip
10.2K20发布于 2021-11-10 - 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。 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。 ? 图4 标签编辑管理–添加标签 标签的编辑管理也即对标签做元数据管理，将在Web端编辑表单中填写的数据存储到MySQL等关系型数据库中。 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？ 、场景等描述，形成一个用户画像原型。 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。 4.用户·建模：借助算法模型来定义客群的用户画像，如分类模型、聚类模型，常用的算法如朴素贝叶斯、决策树、SVM，神经网络，k-means等。
5.7K40发布于 2020-04-22 - 来自专栏初见Linux
4.IP地址与子网划分
一、IP地址：（32位，4字节） 逻辑地址，也就是IP网络地址。采用的是“网络地址+主机地址”（网络号 + 主机号）的形式表示的，4字节，以 . 分隔，用十进制表示，所以又叫点分十进制。 ? IP地址格式.png 1.IP地址划分 ? IP地址1.png ? （4）169.254.x.x 自动专用地址。又称保留地址。 各种原因和DHCP服务器失去联系时，系统自动给自己分配的地址。 （5）192.168.x.x 是内网的IP地址。 二、子网掩码与子网划分 1.子网掩码（32位，4字节） （1）是什么？ 子网掩码（subnet mask，又叫网络掩码、地址掩码、子网络遮罩）：用来区分子网网络地址和主机地址的工具。 1 4.熟记二进制与十进制对应 首先要熟记2的幂：2的0次方到9次方的值分别为：1，2，4，8，16，32，64，128，256和512。
2.6K21发布于 2020-08-05 - 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。 py4j py4j是用python和java实现的库。通过PY4J，python可以动态访问Java虚拟机中的Java对象，Java程序也可以回调Python对象。 pyspark实现机制如下图： 图片 图片 在driver端，spark执行在JVM，python通过py4j调用Java的方法，SparkContext利用Py4J启动一个JVM并产生一个JavaSparkContext
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
（4）服务产品：对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。 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 4、态度属性：用户自我表达的态度和意愿。比如说我们通过一份问卷向用户询问一些问题，并形成标签，如询问用户：是否愿意结婚，是否喜欢某个品牌等。 4、用户画像标签层级的建模方法 用户画像的核心是标签的建立，用户画像标签建立的各个阶段使用的模型和算法如下图所示。 原始数据层。 十二、用户画像困难点、用户画像瓶颈 用户画像困难点主要表现为以下4个方面 资料搜集和数据挖掘 在画像之前需要知道产品的用户特征和用户使用产品的行为等因素，从而从总体上掌握对用户需求需求 创建用户画像不是抽离出典型进行单独标签化的过程
3.4K11编辑于 2022-09-09 - 来自专栏架构师修炼
用户画像基础
图1-4所示是用户画像数仓架构图，下面对其进行详细介绍。 ? 图1-4 用户画像数仓架构 图1-4下方虚线框中为常见的数据仓库ETL加工流程，也就是将每日的业务数据、日志数据、埋点数据等经过ETL过程，加工到数据仓库对应的ODS层、DW层、DM层中。 表1-3 商品订单表（dw.order_info_fact） ③ 埋点日志表 埋点日志表（见表1-4）存放用户访问App时点击相关控件的打点记录。通过在客户端做埋点，从日志数据中解析出来。 ? ? 表1-4 埋点日志表（ods.page_event_log） ④ 访问日志表 访问日志表（见表1-5）存放用户访问App的相关信息及用户的LBS相关信息，通过在客户端埋点，从日志数据中解析出来。 ? 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 - 来自专栏全栈程序员必看
2020年抖音用户画像报告，DAU超4亿！「建议收藏」
抖音DAU超4亿，较去年同期的2.5亿，增长了60%。抖音与头条的重合度为32.1%，重合用户占抖音的42.2%。 抖音与西瓜的重合度为24.6%,重合用户占抖音的29.5%。 抖音整体人群画像，男女较均衡，19-30岁TGI高，新一线、三线及以下城市用户TGI高。 抖音省份/城市TOP10分布，广东、河南、山东省占比高，郑州、西安、昆明市偏好度高。 抖音男女人群画像，男性19-24岁、41-45岁的用户偏好度高，女性中19-30岁用户偏好度高。 抖音高低线城市人群画像，高线城市中19-30岁的用户偏好度高，低线城市中19-35岁用户偏好度高。 抖音不同年龄段人群画像，95后中男性占比略高、且TGI高；90后中女性TGI高。抖音不同年龄段人群画像，85后中女性TGI高，低线城市占比超6成；80后中男性占比高、TGI高。
9.1K20编辑于 2022-06-27 - 来自专栏全栈程序员必看
ue4代做(代理ip地址)
UE4有一套代理机制，整理了一下做个介绍。也请大家做补充。 有了代理，方便我们做代码设计，减轻耦合。 由于下面没有贴出全部代码，如果粘贴过去测试的话编译不过。 代理汇总 一.单播，不支持蓝图 1.单播种类 1>无参数&无返回值 2>无参数&有返回值 3>1-9个参数&无返回值 4>1-9个参数&有返回值 2.单播使用 1>单播使用->定义 2>单播使用->绑定 BindStatic 静态方法 单播使用->绑定->BindUFunction UFUNCTION()修饰的函数 单播使用->绑定->BindUObject UObject类的函数 3>单播使用->执行 4> >AddStatic 静态方法 多播使用->绑定->AddUFunction UFUNCTION()修饰的函数 多播使用->绑定->AddUObject UObject类的函数 3>多播使用->执行 4> 2>动态单播使用->绑定 动态单播使用->绑定->BindBindDynamic 3>动态单播使用->执行 4>动态单播使用->解绑 四.动态多播，支持蓝图使用 1.动态多播种类 1>无参数 2>1-
1.1K20编辑于 2022-07-29 - 来自专栏Cyber Security
应急响应-战后溯源反制&社会工程学&IP&ID追踪&URL反查&攻击画像
ID追踪 (1) 百度信息收集：“id” （双引号为英文） (2) 谷歌信息收集 (3) src信息收集（各大src排行榜） (4) 微博搜索（如果发现有微博记录，可使用tg查询weibo泄露数据 、各种库子查询 手机号码： 1、支付宝转账 - > 确定姓名，甚至获取照片 2、微信搜索 -> 微信ID可能是攻击者的ID，甚至照片 3、各种裤子 之前的快递事件以及这几天的微信事件 攻击画像大概模型 ： 姓名/ID： 攻击IP： 地理位置： QQ: IP地址所属公司： IP地址关联域名： 邮箱： 手机号： 微信/微博/src/id证明： 人物照片： 跳板机（可选）： 关联攻击事件： 日志提取-IP地址溯源 -攻击画像 日志上分析出攻击者IP地址 威胁感知-标签-社交-库搜搜-电话,其他信息等 内鬼提取-ID昵称溯源-攻击画像 某天Tg上有人贩卖课程，寻找内鬼开始 文件提取-恶意样本溯源-攻击画像 后门木马 -IP-IP反查域名-域名收集-个人信息
44910编辑于 2024-07-18 - 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。 4 是否开通电话服务业务 是否开通电话服务业务指标不同值对应的客户流失率如下： 开通和没开通电话服务业务的客户数分别为6361和682，开通电话服务业务的客户数远超没开通的。 iv,cut,woe,d4 然后计算使用产品时长的IV值，代码如下： i = 'tenure' iv,cut,woe,d4 = bin_cut(data,data[i],data['y'],n=10) 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？ 这样一串描述即为用户画像的典型案例。如果用一句话来描述，即：用户信息标签化。 如果用一幅图来展现，即： ? 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。 百分点现已全面应用用户画像技术于推荐引擎中，在对某电商客户，针对活动页新访客的应用中，依靠用户画像产生的个性化效果，对比热销榜，推荐效果有显著提升：推荐栏点击率提升27%，订单转化率提升34%。
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？ 下面我将结合通过案例，带你了解构建用户画像的4个步骤： 用户画像是为业务服务的，因此我们构建画像之前一定要清晰项目背景和业务需求。 （这原本是个主观抽象的问题） 让用户在数值1-7中选择，1代表非常不满意，中间值4代表中规中矩，7代表非常满意。 因此设定阈值为4，切割树状图： 图中显示：黄色切割线与蓝色线条有三个交点，代表样本有三个簇。 引入层级凝聚聚类算法（HAC），输出结果包含0，1和2，分别代表三个簇。 其实在画像背后，是丰富的资料库和调研信息。用户画像强调简单易用，但当实际工作中需要例证和具体数据时，我们依旧可以调用其他信息。 4. 验证效果 我们开篇强调过，用户画像是为业务服务的。
4.8K30发布于 2021-09-23
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