講了什么？
用戶畫像，標(biāo)簽挖掘，基于內(nèi)容推薦

1 用戶畫像

• 什么是用戶畫像
  用戶向量化后就是用戶畫像，便簽，注冊資料，社交關(guān)系都是稀疏向量；Embedding，svd，主題模型選出來的是稠密向量
• 關(guān)鍵因素
  維度自己可以定義
  量化每個維度的量化以推薦效果的好壞來反向優(yōu)化用戶畫像
• 構(gòu)建方法
  簡單原始數(shù)據(jù)構(gòu)建，人口統(tǒng)計信息，播放歷史
  數(shù)據(jù)統(tǒng)計信息，給物品標(biāo)簽，統(tǒng)計用戶在這些標(biāo)簽上的歷史行為，從標(biāo)簽維度做數(shù)據(jù)統(tǒng)計，最后做截斷
  黑盒，用過潛語義模型用戶興趣，SVD隱因子，深度學(xué)習(xí)Embedding向量

2 標(biāo)簽挖掘

過程是什么？
分析所有能分析的非結(jié)構(gòu)化內(nèi)容，結(jié)構(gòu)化后構(gòu)建高質(zhì)量的標(biāo)簽庫
根據(jù)用戶行為數(shù)據(jù)為用戶構(gòu)建高覆蓋度和區(qū)分度的畫像標(biāo)簽庫

• 數(shù)據(jù)從哪兒來
  能分析的非結(jié)構(gòu)化內(nèi)容
• 標(biāo)簽庫長什么樣
  衡量便簽度好壞有3個維度覆蓋面，健康度，經(jīng)濟(jì)性（標(biāo)簽庫是否足夠簡單，不要出現(xiàn)太多語義重復(fù)的標(biāo)簽）
  對應(yīng)的解決方法
  覆蓋面廣：挖掘文本，視頻，音頻，圖像標(biāo)簽，用戶填寫更多資料，跨公司數(shù)據(jù)打通
  分布健康：對比較大的分類，不斷細(xì)分，是分布更加健康
  語義獨(dú)立：Embedding，隱語義模型，主題模型比較不錯
  如何構(gòu)建好的標(biāo)簽庫：
  分為中心化（專業(yè)人員參與）和非中心化（完全依靠用戶標(biāo)簽），需要兩種相結(jié)合，多分類體系，同義標(biāo)簽保留最常用的，去中心化的標(biāo)簽頁要專業(yè)人員把控質(zhì)量
• 怎么挖掘標(biāo)簽
  關(guān)鍵詞提?。篢F-IDF TextRank
  實(shí)體識別：HMM和CRF條件隨機(jī)場，CRF+BiLSTM，詞典方法，人物，位置，著作，影視劇，歷史事件和熱點(diǎn)事件
  內(nèi)容分類：按照分類體系分類
  文本聚類：劃分多個類簇，工程上比較難工業(yè)化
  主題模型：學(xué)習(xí)主題向量，再預(yù)測新的文本在各個主題上的分布
  Embedding：Word2vec（CBOW和Skip Gram），GloVe和FastText（學(xué)習(xí)詞的Embedding向量和做短文本分類）
  標(biāo)簽選擇：卡方檢驗(yàn)和信息增益

3 基于內(nèi)容的推薦

• 內(nèi)容推薦的好處
  新的物品，有助于冷啟動
• 兩個產(chǎn)出
  結(jié)構(gòu)化的內(nèi)容庫
  內(nèi)容分析模型
  • 分類模型
  • 主題模型
  • 實(shí)體識別模型
  • Embedding模型
• 算法
  通過相似度算法計算