用户网络行为画像分析

用户网络行为画像（视频推荐领域）

含义：将定性与定量结合在一起的方法，对同一类用户进行不同维度的刻画，定性包含：生活情境、使用场景、用户心智等
定量则对特征进行统计分析和计算。

用户画像数据来源：

1. 用户属性，如用户的基本信息：性别、年龄、年收入、兴趣爱好、活跃时间、所在城市等，属于静态数据
2. 用户历史记录，属于动态数据

用户画像在推荐系统中的应用：

1. 亚马逊：通过浏览物品、购买物品、将物品加入收藏夹和wishlist及评分等用户反馈
2. 豆瓣：分析用户“看过”和“想看”列表获取用户的偏好信息
3. 新闻：根据读者用户行为习惯和阅读经历为其定制内容
4. 信贷：用户画像提供丰富的用户标签体系，如用户的年龄，文化程度，职业，家庭状况，购买习惯，购买能力等用于信贷评分

用户画像建模

1.用户定性画像：标签
（1）如何定义标签：标签名称，标签类别，标签值的取值范围
（2）解释标签：对标签的语义信息进行描述，
（3）推理标签：定义相应的推理规则
（4）验证标签：标签是否合理，标签关系是否一致

针对用户定性画像，主要包含用户维度和视频维度

用户维度：包含用户特征（如姓名，年龄，职业，，，）、用户行为（如历史记录，视频点播，视频浏览记录）、用户兴趣偏好（如观看时间偏好，观看类型偏好）

视频维度：视频特征如（类别，导演，主题...）

群体用户画像：

针对所有用户进行用户画像分析比较困难，所以需要进行群体用户画像分析，根据不同的评估维度和模型算法，通过聚类方式将具有相同特征的用户划分为同一个族群。
1.用户画像获取 ：问卷，数据统计
2.用户画像相似度计算 ：欧式距离、余弦距离、曼哈顿距离
3.用户画像聚类：kmeans、基于密度、层次化聚类.
4.群体用户画像生成.

用户画像管理

用户画像表现形式：
（1）关键词法：一组代表用户属性的特征词
（2）评分矩阵法：二维矩阵，行表示用户，列表示项目，交叉为打分
（3）向量空间表示法：给出关键词及其权重
（4）本体表示法

用户画像存储方式：
（1）关系型数据库
（2）非关系型数据库：
a.键值存储数据库：redis
b.列存储数据库：HBase
c.文档型数据库：MongoDb
d.图形数据库: Neo4J
推荐系统用户画像数据量大，主要针对少数列进行查询，对列的操作不会导致对全表的数据操作，添加删除相应的列不会遇到数据碎片等诸多好处，因此列式数据库更加适合用户画像的批量数据处理和即时查询，对海量数据进行处理时具有很大的优势。
（3）数据仓库：hadoop、spark。

公众号：netrookie
原文：http://netrookie.cn/personas/