用戶網(wǎng)絡(luò)行為畫像（視頻推薦領(lǐng)域）
含義：將定性與定量結(jié)合在一起的方法，對同一類用戶進行不同維度的刻畫，定性包含：生活情境、使用場景、用戶心智等
定量則對特征進行統(tǒng)計分析和計算。
用戶畫像數(shù)據(jù)來源：
- 用戶屬性，如用戶的基本信息：性別、年齡、年收入、興趣愛好、活躍時間、所在城市等，屬于靜態(tài)數(shù)據(jù)
- 用戶歷史記錄，屬于動態(tài)數(shù)據(jù)
用戶畫像在推薦系統(tǒng)中的應(yīng)用：
- 亞馬遜：通過瀏覽物品、購買物品、將物品加入收藏夾和wishlist及評分等用戶反饋
- 豆瓣：分析用戶“看過”和“想看”列表獲取用戶的偏好信息
- 新聞：根據(jù)讀者用戶行為習(xí)慣和閱讀經(jīng)歷為其定制內(nèi)容
- 信貸：用戶畫像提供豐富的用戶標簽體系，如用戶的年齡，文化程度，職業(yè)，家庭狀況，購買習(xí)慣，購買能力等用于信貸評分
用戶畫像建模
1.用戶定性畫像：標簽
（1）如何定義標簽：標簽名稱，標簽類別，標簽值的取值范圍
（2）解釋標簽：對標簽的語義信息進行描述，
（3）推理標簽：定義相應(yīng)的推理規(guī)則
（4）驗證標簽：標簽是否合理，標簽關(guān)系是否一致
針對用戶定性畫像，主要包含用戶維度和視頻維度
用戶維度：包含用戶特征（如姓名，年齡，職業(yè)，，，）、用戶行為（如歷史記錄，視頻點播，視頻瀏覽記錄）、用戶興趣偏好（如觀看時間偏好，觀看類型偏好）
視頻維度：視頻特征如（類別，導(dǎo)演，主題...）
群體用戶畫像：
針對所有用戶進行用戶畫像分析比較困難，所以需要進行群體用戶畫像分析，根據(jù)不同的評估維度和模型算法，通過聚類方式將具有相同特征的用戶劃分為同一個族群。
1.用戶畫像獲取 ：問卷，數(shù)據(jù)統(tǒng)計
2.用戶畫像相似度計算 ：歐式距離、余弦距離、曼哈頓距離
3.用戶畫像聚類：kmeans、基于密度、層次化聚類.
4.群體用戶畫像生成.
用戶畫像管理
用戶畫像表現(xiàn)形式：
（1）關(guān)鍵詞法：一組代表用戶屬性的特征詞
（2）評分矩陣法：二維矩陣，行表示用戶，列表示項目，交叉為打分
（3）向量空間表示法：給出關(guān)鍵詞及其權(quán)重
（4）本體表示法
用戶畫像存儲方式：
（1）關(guān)系型數(shù)據(jù)庫
（2）非關(guān)系型數(shù)據(jù)庫：
a.鍵值存儲數(shù)據(jù)庫：redis
b.列存儲數(shù)據(jù)庫：HBase
c.文檔型數(shù)據(jù)庫：MongoDb
d.圖形數(shù)據(jù)庫: Neo4J
推薦系統(tǒng)用戶畫像數(shù)據(jù)量大，主要針對少數(shù)列進行查詢，對列的操作不會導(dǎo)致對全表的數(shù)據(jù)操作，添加刪除相應(yīng)的列不會遇到數(shù)據(jù)碎片等諸多好處，因此列式數(shù)據(jù)庫更加適合用戶畫像的批量數(shù)據(jù)處理和即時查詢，對海量數(shù)據(jù)進行處理時具有很大的優(yōu)勢。
（3）數(shù)據(jù)倉庫：hadoop、spark。
公眾號：netrookie
原文：http://netrookie.cn/personas/
