数据治理体系用户画像涉及到大年夜量的数据处理和特点提取工作，往往须要用到多半据来源，且多人并行处理数据和生成特点。是以，须要一个数据治理体系来对数据同一进行归并存储和分发。我们的体系以商定的目次构造来组织数据，根本目次层级为：/user_tag/属性/日期/来源_作者/。以性别特点为例，开辟者dev1大年夜用户姓名提取的性别数据存放路径为 /user_tag/gender/20170101/name_dev1，开辟者dev2大年夜用户填写材料提取的性别数据存放路径为 /user_tag/gender/20170102/raw_dev2。
应用示例：个性化推荐
以电商网站的某种页面的个性化推荐为例，推敲到特点的可解释性、易扩大和模型的枷⒚机能，很多线上推荐体系采取LR(逻辑回归)模型练习，这里也以LR模型举例。很多推荐场景都邑用到基于商品的协同过滤，而基于商品协同过滤的核心是一个商品相干性矩阵W，假设有n个商品，那么W就是一个n * n的矩阵，矩阵的元素wij代表商品Ii和Ij之间的相干系数。而根据用户拜访和购买商品的行动特点，可以把用户表示成一个n维的特点向量U=[ i1, i2, ……, in ]。于是U*W可以算作取户对每个商品的感兴趣程度V=[ v1, v2, ……, vn ]，这里v1等于用户对商品I1的感兴趣程度，v1= i1*w11 + i2*w12 + in*w1n。如不雅把相干系数w11, w12, ……, w1n 算作请求的变量，那么就可以用LR模型，代入练习集用户的行动向量U，进行求解。如许一个初步的LR模型就练习出来了，效不雅和基于商品的协同过滤类似。
用户画像的感化
这时只用到了用户的行动特点部分，而人面试性、网购偏好、内容偏好、花费才能和情况特点等其他高低文还没有应用起来。把以上特点参加到LR模型，同时再加上目标商品自身的属性，如文本标签、所属类目、销量等数据，如下图所示，进一步优化练习本来的LR模型。大年夜而最大年夜程度应用已经提取的用户画像数据，做到更精准的个性化推荐。
用户画像是当前大年夜数据范畴的一种典范应用，也广泛应用在多款网易互联网产品中。
【编辑推荐】
- 大年夜数据显示：上海女人最难脱单？看到原因我哭了
- 大年夜数据为何这么重要？
- 当你老了，平生最懊悔什么？大年夜数据告诉你！
- 大年夜数据要怎么竽暌姑，12名创颐魅者如许说
- 双十一大年夜数据处理要控制成本
推荐阅读
长虹佳华林进：传统IT分销商如何从淘宝、京东等电商口中抢食？
Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践【51CTO.com原创稿件】在IT业，谁也无法忽视分销商的力量，因为分销商在家当经营链条中拥有举足轻重的地位。对上游厂商>>>详细阅读
本文标题：大数据中的用户画像
地址：http://www.17bianji.com/lsqh/39094.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示