使用者畫像在大資料分析中是一種很有用的系統，它可以各種不同的系統中，起到很關鍵的作用。比如搜尋引擎、推薦系統、內容系統等等，可以幫助應用實現千人千面、個性化、精準等的效果。

下面將從幾個方面來說一下，什麼是使用者畫像，主要的內容來自《使用者網路行為畫像分析與內容推薦應用》這本書。

• 應用場景
• 資料來源
• 特性
• 建模
• 群體畫像
• 畫像的儲存
• 畫像的查詢
• 畫像的更新

應用場景

下面舉幾個很典型的場景：

搜尋引擎

在搜尋的時候考慮使用者的畫像標籤，返回使用者感興趣的內容。比如同一個關鍵字“諸葛亮”，王者榮耀的愛好者搜尋的時候應該返回“諸葛亮”相關的內容，比如如何加銘文、如何五殺等等；而歷史愛好者搜尋的時候，應該返回三國相關的內容。

推薦系統

推薦系統可以根據使用者的喜好和特徵，也就是使用者的畫像，推薦相關的內容。比如，給一個使用者定位的畫像是美妝達人，那麼就應該給她多推送一些面膜護膚之類的東西，而不是推一堆零食。

內容推薦

比如新聞類的產品或者讀書類的產品，根據使用者的喜好不同，展現不同的內容。

資料來源

使用者畫像的資料來源主要包括兩個方面：

• 屬性資料，這部分資料一般是使用者的註冊資訊，也可以是從其他資料中分析得出的。比如生日、性別、住址、愛好等
• 行為資料，這部分資料一般都是使用者的訪問日誌記錄的行為資料。比如常用的一些後端日誌資料、前端埋點資料等等。

通過這兩部分的資料，就能刻畫出使用者的畫像，其實就是給使用者打上一個標籤，比如高富帥、白富美等等。

特性

使用者畫像具有很明顯的動態性和時空區域性性。

• 在使用者的資料中，屬性資訊一般不會改變；但是行為資料是隨時會發生變化的，比如使用者看了一個新的電影、閱讀了新的文章等。這時它的資料就是動態變化的，這部分資料應該動態的更新到使用者的畫像上。
• 時間上，使用者的一些需求是很快會發生變化的，比如最近下雨，使用者想要買一把傘，如果幾天後才捕捉到使用者的需求，此時天都晴了；另一方面，空間上，使用者在不同的領域喜好也不同，可能在新聞領域使用者是一個嚴重的軍事迷，但是在網購時，又是一個小清新，因此需要考慮到不同空間使用者不同的需求場景，刻畫對應的畫像。

使用者畫像建模

使用者的畫像分為定量畫像和定性畫像，網上也沒有找到這兩種明確的定義。不過參考1的文章中是這樣定義的：

• 定性畫像，是指在小規模的資料中分析出的使用者的畫像，比如問卷調查，訪談等等
• 定量畫像，是在大規模的資料中分析的，比如日誌等

這一塊的內容，理解的並不好....以後會多加補充

基於標籤的畫像

在使用者的定性畫像中，標籤化是核心。即把使用者的畫像變成一個一個的標籤，那麼在考慮標籤化的同時，需要注意下面的幾個方面：

• 如何定義標籤?標籤的名稱、類別、取值
• 如何解釋標籤？標籤的語義描述
• 如何推理標籤？標籤實現的過程
• 如何驗證標籤？定義是否合理，推導是否合理

基於知識的畫像（個人理解）

知識工程，在百科中的解釋是：

“知識工程”的產生，把人類所專有的文化、科學、知識、思想等同現代機器聯絡起來，形成了人——機系統。

即需要領域專家（有經驗的老業務）配合來做機器智慧的分析。

知識工程的大體過程為：知識的獲取-->驗證-->表示-->推論-->解釋和理由

在使用者畫像中，就是配合使用者和物品的屬性，建立對應關係，這部分的對應關係需要知識專家進行鑑別推理和構建。比如有一些“專家”會把電影分為幾類，愛情片、動作片、科幻片、恐怖片，這些都是需要領域專家來設定的，而不是靠人工分層分類1分類2分類3...

構建的過程

在構建使用者畫像時，大致可以按照下面的步驟：

• 構建領域詞彙：不同的領域會有不同專業的詞彙，描繪人的、電影的、書籍的詞彙都是不同的。這部分可以參考其他同類的產品，如果是獨創的領域，那麼就需要這個領域資深的“玩家”來定義了。
• 確定分類之間的層次：畫像也是有層次的，比如電影的裡面的人分為演員、導員、觀眾等。需要對標籤（畫像）歸類處理。
• 定義屬性：為不同的畫像定義屬性，包括物件屬性和數值屬性。比如在電影的場景中，物件屬性是上映的時間、導演，數值屬性是觀看量、時長等。
• 定義例項：例項就是最終的畫像，是由分類和屬性組成的。
• 定義約束：這個是描述一個物品的規則，比如電影是由（名稱、型別、時長、導演、主演）等等屬性組成的，那麼任何一個電影都可以由這種方式來定義。

群體使用者畫像

使用者畫像是用來描述目標使用者的畫像，而群體畫像則是對一類相似的使用者的描述。比如成熟穩重型、可愛蘿莉型等。

那麼如何定義群體畫像呢？可以按照下面的步驟：

• 獲取使用者畫像
• 計算使用者畫像的相似度
• 使用者畫像聚類
• 群體使用者畫像生成

定義使用者畫像之間的相似度

計算使用者畫像之間的相似度，可以參考下面的公式：

其中wk表示第k個畫像的權重，比如在電影裡面，使用者喜歡的電影型別比重要比電影的時長重要的多，在計算相似度的時候權重也應該更大一些。

計算相似度有很多中方法，比如：歐氏距離、曼哈頓距離、夾角餘弦、皮爾遜相關係數、傑卡德距離等，每一種都有自己適合的場景。

畫像聚類

畫像聚類的方式有很多，比如K-means，原理就是隨機幾個點，看各個點的資料跟哪個點接近，就歸為哪一類。然後不斷調整中心點，達到最終聚合的效果。

使用者畫像儲存

使用者畫像有很多中表示的方法，比如：

• 關鍵詞法，用一對的關鍵詞描述畫像，這種方式最容易理解
• 評分矩陣法，用二維矩陣的方式，通過評分表示。這種在協同過濾中很常見
• 向量空間表示法，這種是基於向量的方式描述畫像
• 本體表示法，不太懂

不同的表示方法，對於儲存的方式來說，也會不同。

一般使用者畫像常用的儲存引擎有：

• 關係型資料庫，通過中間表的方式儲存使用者和畫像之間的關係，有點就是查詢快、缺點就是資料量大的時候扛不住。
• NoSql資料庫，常見的就是鍵值資料庫（Redis）列資料庫（Hbase）文件資料庫（mongodb）圖資料庫（neo4j）等，每種資料庫都有自己適合的場景。
• 資料倉庫，資料倉庫是一種面向主題的儲存,可以更好的解決領域分析的問題。而且它保留了資料的時間變化，對於分析歷史來說，非常有幫助。但是不適合實時查詢。

使用者畫像的查詢

使用者畫像的場景下：

• 1 對於畫像的查詢要求是高併發、高聚合，比如會有很多人查詢它自己的畫像；也會通過一個畫像屬性，查詢所有相關的人。
• 2 在畫像的查詢中，大量的查詢都是重複的，因此可以著重考慮快取機制。

使用者畫像更新

在畫像的更新方面，需要考慮的問題是：

• 1 如何實時獲取變化的畫像？
• 2 如何設定合適的更新觸發條件？
• 3 如何設計高效的演算法？

對於獲取使用者的資訊，可以把使用者逇資訊分為靜態資訊資料和動態資訊資料，

更新的機制

• 一種是設定更新的條件，比如購買達到1w元，立馬升級成VIP標識
• 一種是設定固定的時間週期，更新畫像。這種最簡單，直接沒天凌晨跑一個畫像的更新任務就行了。
• 另一種是從增量的資料中計算畫像，然後對比舊的資料，考慮是否更新使用者的畫像。

以上就是使用者畫像的基本內容，也是《使用者網路行為畫像分析與內容推薦應用》這本書的第一部分，後續會更新其他的部分。