04 | 画鬼容易画人难:用户画像的“能”和“不能”
该思维导图由 AI 生成,仅供参考
什么是用户画像
用户画像的关键因素
首先我先来说说“维度”。
其次,我来说说量化。
- 深入了解
- 翻译
- 解释
- 总结
推荐系统中的用户画像扮演着关键角色,它是对用户和物品进行向量化的结果,为推荐系统建立连接提供了关键环节。本文从一个大排档推荐系统的例子出发,阐述了用户画像的关键因素,包括维度和量化。维度需要是可理解的,数量和内容可以灵活确定;而量化则需要交给机器,并以推荐效果为导向进行优化。用户画像的构建方法分为查户口、堆数据和黑盒子三类,每种方法都有其独特的应用场景和技术特点。文章强调了用户画像的重要性,并指出其应该是推荐系统的副产品,而不是为了用户画像而用户画像。通过简洁的例子和清晰的解释,读者能够快速了解用户画像在推荐系统中的作用和关键因素。用户画像的优点在于能够为推荐系统提供精准的连接,但也存在构建复杂和不易解释的问题。欢迎留言和一起讨论你正在经历的用户画像,以及其优点和问题。
《推荐系统三十六式》,新⼈⾸单¥59
全部留言(49)
- 最新
- 精选
- 你这个狗东东写的真好。我们有时候在做用户画像就跟做BP一样,纯粹是为了彰显我们的用户净值多高,我们的市场定位多么明确。其实推荐系统里的用户画像,是根据目标来定,比如你需要提高内容的点击率,需要了解的维度可能是用户以往阅读内容的维度,用户订阅的分类维度……而其他无关紧要的标签其实不重要
作者回复: 是这样的。
2018-03-1223 - yxj🚩刑老师,我理解的第三类方法用户行为画像机器学习也要通过前两种方法堆积数据或者人为去选择定义输入的特征(feature),然后再通过机器学习或者深度学习的算法黑箱学习匹配以求得一个准确率很高的算法,但我们学到的是算法,要对用户画像还是要这些数据做为这个学得的算法输入该用户的feature向量才能准确画出。
作者回复: 比如用户点击物品组成的时序数据,是你说的feature ,经过word2vec(学习算法)之后得到物品的向量,进一步变成用户的向量。就是用户画像的一部分了。
2018-03-1214 - 谢烟客1. 查户口做记录一个无奈之处是:总要给公司领导一个交代。 2. 先不抱怨领导不理解推荐系统,反转位置,非技术体系领导如何考核管理推荐系统团队?
作者回复: 是个大话题,三两句无法表达我那些心里话。
2018-03-128 - 叶晓锋我们现在就有一个用户画像系统,而且还有一个后台进行管理和维护,画像系统其实是一个标签系统,分成九大类数百个标签,提供给产品,运营,管理人员查看。我们的模型有时也会部分标签数据,但基本还会在此基础上做演算,例如归一化,独热编码等。
作者回复: 给人看和给机器看的用户画像不一样。
2018-03-126 - XzAmrzs您好,讲的很专业,但是这里“每个因素相乘后再相加,就得到每一个大排挡的评分了”有点没看懂,比如(3,5,4)是大排档,“我”的向量是(2,3,5),那么相乘后的匹配评分是2×3+5×3+5×4=41吗?那么是怎么个匹配标准?这里是分数越高越匹配还是越低越匹配?照我的想法应该是当两向量平行的时候最匹配才对
作者回复: 一般是按照分数排序后,矮子中选高的。
2018-03-1236 - 185酷炫画像也很好,能让土豪老板或小白领导作出马上签合同的决定,现在我想到了echart 😂
作者回复: 哪怕是一张卫生纸,一条底裤,都有它的作用。
2018-03-155 - holysky已买,赶紧更新啊,我要从0开始推荐体统了
作者回复: 骚年,不要急,慢慢来。
2018-03-135 - jt120之前看过推荐系统实战 对这里的大排档例子有疑问,如果是UC,那么是找相似用户,如果是IC,是找相似物品,这里的例子,为什么是直接找用户和物品的相似,这两个实体,是不是没可比性
作者回复: 两个向量的维度一致:数量一致,每个维度意义一致,就可以去衡量他们的距离远近。
2018-03-1454 - 吴峰这里用户画像的范畴,除了user的向量化,是否也包含item的向量化。毕竟item有哪些维度、如何量化,也存在拍脑袋的空间。
作者回复: 用户画像就是user profile item profile 则被叫做物品画像。 用户画像被计算出来的部分,通常和item的维度一致,而自然属性部分则各有各的。
2018-07-192 - auroroa用户画像两个目的: 1、向量化后让机器读懂每个用户 2、召回阶段减少计算量 可以这么理解吗???
作者回复: 减少计算量不是目的。应该是这样理解: 1. 计算机只能处理结构化信息,所以必须结构化才能让计算机去计算。 2. 用结构化的方式让用户表示得越细腻越好。
2018-03-232