作者：楊杰

用戶畫像的含義用戶畫像（persona）的概念最早由交互設(shè)計(jì)之父Alan Cooper提出：“Personas are a concrete representation of target users.” 是指真實(shí)用戶的虛擬代表，是建立在一系列屬性數(shù)據(jù)之上的目標(biāo)用戶模型。隨著互聯(lián)網(wǎng)的發(fā)展，現(xiàn)在我們說的用戶畫像又包含了新的內(nèi)涵 ——通常用戶畫像是根據(jù)用戶人口學(xué)特征、網(wǎng)絡(luò)瀏覽內(nèi)容、網(wǎng)絡(luò)社交活動(dòng)和消費(fèi)行為等信息而抽象出的一個(gè)標(biāo)簽化的用戶模型。 構(gòu)建用戶畫像的核心工作，主要是 利用存儲(chǔ)在服務(wù)器上的海量日志和數(shù)據(jù)庫里的大量數(shù)據(jù)進(jìn)行分析和挖掘 ，給用戶貼“標(biāo)簽”，而“標(biāo)簽”是能表示用戶某一維度特征的標(biāo)識(shí)。具體的標(biāo)簽形式可以參考下圖某網(wǎng)站給其中一個(gè)用戶打的標(biāo)簽。

用戶畫像的作用

提取用戶畫像，需要處理海量的日志，花費(fèi)大量時(shí)間和人力。盡管是如此高成本的事情，大部分公司還是希望能給自己的用戶做一份足夠精準(zhǔn)的用戶畫像。

那么用戶畫像有什么作用，能幫助我們達(dá)到哪些目標(biāo)呢？

大體上可以總結(jié)為以下幾個(gè)方面：

用戶畫像的內(nèi)容

用戶畫像包含的內(nèi)容并不完全固定，根據(jù)行業(yè)和產(chǎn)品的不同所關(guān)注的特征也有不同。 對(duì)于大部分互聯(lián)網(wǎng)公司，用戶畫像都會(huì)包含人口屬性和行為特征。 人口屬性主要指用戶的年齡、性別、所在的省份和城市、教育程度、婚姻情況、生育情況、工作所在的行業(yè)和職業(yè)等。行為特征主要包含活躍度、忠誠度等指標(biāo)。

除了以上較通用的特征，不同類型的網(wǎng)站提取的用戶畫像各有側(cè)重點(diǎn)。

另外還可以加上用戶的 環(huán)境屬性 ，比如當(dāng)前時(shí)間、訪問地點(diǎn)LBS特征、當(dāng)?shù)靥鞖狻⒐?jié)假日情況等。

當(dāng)然，對(duì)于特定的網(wǎng)站或App，肯定又有特殊關(guān)注的用戶緯度，就需要把這些維度做到更加細(xì)化，從而能給用戶提供更精準(zhǔn)的個(gè)性化服務(wù)和內(nèi)容。

用戶畫像的生產(chǎn)

用戶特征的提取即用戶畫像的生產(chǎn)過程，大致可以分為以下幾步：

下面以用戶性別為例，具體介紹特征提取的過程 ：

數(shù)據(jù)管理系統(tǒng)用戶畫像涉及到大量的數(shù)據(jù)處理和特征提取工作，往往需要用到多數(shù)據(jù)來源，且多人并行處理數(shù)據(jù)和生成特征。因此，需要一個(gè)數(shù)據(jù)管理系統(tǒng)來對(duì)數(shù)據(jù)統(tǒng)一進(jìn)行合并存儲(chǔ)和分發(fā)。我們的系統(tǒng)以約定的目錄結(jié)構(gòu)來組織數(shù)據(jù)，基本目錄層級(jí)為：/user_tag/屬性/日期/來源_作者/。以性別特征為例，開發(fā)者dev1從用戶姓名提取的性別數(shù)據(jù)存放路徑為 /user_tag/gender/20170101/name_dev1，開發(fā)者dev2從用戶填寫資料提取的性別數(shù)據(jù)存放路徑為 /user_tag/gender/20170102/raw_dev2。

從每種來源提取的數(shù)據(jù)可信度是不同的，所以各來源提取的數(shù)據(jù)必須給出一定的權(quán)重，約定一般為0-1之間的一個(gè)概率值，這樣系統(tǒng)在做數(shù)據(jù)的自動(dòng)合并時(shí)，只需要做簡單的加權(quán)求和，并歸一化輸出到集群，存儲(chǔ)到事先定義好的Hive表。接下來就是數(shù)據(jù)增量更新到HBase、ES、Spark集群等更多應(yīng)用服務(wù)集群。

應(yīng)用示例：個(gè)性化推薦

以電商網(wǎng)站的某種頁面的個(gè)性化推薦為例，考慮到特征的可解釋性、易擴(kuò)展和模型的計(jì)算性能，很多線上推薦系統(tǒng)采用LR（邏輯回歸）模型訓(xùn)練，這里也以LR模型舉例。很多推薦場景都會(huì)用到基于商品的協(xié)同過濾，而基于商品協(xié)同過濾的核心是一個(gè)商品相關(guān)性矩陣W，假設(shè)有n個(gè)商品，那么W就是一個(gè)n * n的矩陣，矩陣的元素wij代表商品Ii和Ij之間的相關(guān)系數(shù)。而根據(jù)用戶訪問和購買商品的行為特征，可以把用戶表示成一個(gè)n維的特征向量U=[ i1, i2, ……, in ]。于是U*W可以看成用戶對(duì)每個(gè)商品的感興趣程度V=[ v1, v2, ……, vn ]，這里v1即是用戶對(duì)商品I1的感興趣程度，v1= i1*w11 + i2*w12 + in*w1n。如果把相關(guān)系數(shù)w11, w12, ……, w1n 看成要求的變量，那么就可以用LR模型，代入訓(xùn)練集用戶的行為向量U，進(jìn)行求解。這樣一個(gè)初步的LR模型就訓(xùn)練出來了，效果和基于商品的協(xié)同過濾類似。

這時(shí)只用到了用戶的行為特征部分，而人口屬性、網(wǎng)購偏好、內(nèi)容偏好、消費(fèi)能力和環(huán)境特征等其他上下文還沒有利用起來。把以上特征加入到LR模型，同時(shí)再加上目標(biāo)商品自身的屬性，如文本標(biāo)簽、所屬類目、銷量等數(shù)據(jù)，如下圖所示，進(jìn)一步優(yōu)化訓(xùn)練原來的LR模型。從而最大程度利用已經(jīng)提取的用戶畫像數(shù)據(jù)，做到更精準(zhǔn)的個(gè)性化推薦。

點(diǎn)評(píng)

用戶畫像是當(dāng)前大數(shù)據(jù)領(lǐng)域的一種典型應(yīng)用，也普遍應(yīng)用在多款網(wǎng)易互聯(lián)網(wǎng)產(chǎn)品中。本文基于網(wǎng)易的實(shí)踐，深入淺出地解析了用戶畫像的原理和生產(chǎn)流程。

精確有效的用戶畫像，依賴于從大量的數(shù)據(jù)中提取正確的特征，這需要一個(gè)強(qiáng)大的數(shù)據(jù)管理系統(tǒng)作為支撐。網(wǎng)易大數(shù)據(jù)產(chǎn)品體系中包含的一站式大數(shù)據(jù)開發(fā)與管理平臺(tái) – 網(wǎng)易猛犸，正是在網(wǎng)易內(nèi)部實(shí)踐中打磨形成的，能夠?yàn)橛脩舢嬒窦昂罄m(xù)的業(yè)務(wù)目標(biāo)實(shí)現(xiàn)提供數(shù)據(jù)傳輸、計(jì)算和作業(yè)流調(diào)度等基礎(chǔ)能力，有效降低大數(shù)據(jù)應(yīng)用的技術(shù)門檻。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。