在構建推薦系統(tǒng)的過程中，冷啟動是我們要面臨的一個很現(xiàn)實的問題，而除了加特征，加樣本，加圖譜，加規(guī)則，還有其他方法嗎？

推薦系統(tǒng)用戶畫像，是解決冷啟動和興趣探索問題一種有效地方法，但item上的標簽要通過一種怎么樣的方式轉移到用戶身上呢？常見的做法是用戶點擊或者購買了某個item，則這個item上標簽則被標記到了user身上。那么，除了這種直接的方式，還是否有其他的更系統(tǒng)的方法呢？

本文和大家分享下關于用戶畫像的一些東西。今天我們先從用戶畫像的標簽權重開始聊起吧。

用戶畫像：即用戶信息標簽化，通過收集用戶社會屬性、消費習慣、偏好特征等各個維度數(shù)據(jù)，進而對用戶或者產(chǎn)品特征屬性的刻畫，并對這些特征分析統(tǒng)計挖掘潛在價值信息，從而抽象出一個用戶的信息全貌，可看做是企業(yè)應用大數(shù)據(jù)的根基，是定向廣告投放與個性化推薦的前置條件。

（一）不能把典型用戶當作用戶畫像

每年的微信生活白皮書中，微信官方都會公布典型用戶的一天：工作日每天 8 點起床刷朋友圈、8:45 出門路上刷視頻號……很多用戶看了表示這完全就是自己啊！不過也有不少人吐槽：我也是微信重度用戶，但這個典型的一天的跟我怎么完全不符合？

為什么會出現(xiàn)如此截然相反的反饋呢？原來是這些人把「典型用戶」跟「用戶畫像」的概念搞混了。因為以上描述典型用戶這些特點，只是把用戶特征抽象出來，組合在一起，事實上典型用戶是虛構的，并不真實存在。而用戶畫像是把用戶以標簽的形式表現(xiàn)出來，每一個真實存在的用戶都有對應的用戶畫像。

（二）用戶畫像不是用戶標簽的簡單組合

這也是大部分人都可能存在的錯誤認知，即把用戶畫像簡單理解成由用戶標簽構成。用戶標簽是用來概括用戶特征的，比如說姓名、性別、職業(yè)、收入、養(yǎng)狗、喜歡吃零食等等。這些標簽表面上看沒有什么問題，但是實際上組成用戶畫像的標簽要跟業(yè)務/產(chǎn)品結合。不同業(yè)務的畫像標簽體系并不一致，這需要數(shù)據(jù)和運營目的性的提煉。

舉個夸張的例子，喜茶要做用戶畫像，最后列出來小明是一個大學生、高富帥、獨生子、四川人，愛玩游戲、愛看動漫等用戶標簽。而事實上，對于喜茶而言，用戶帥不帥、是否愛玩游戲真的沒有關系。

（三）用戶畫像的有效性

如果你能夠建立真正有效的用戶畫像標簽，才算正確理解從而提升運營效果。這就涉及到構建用戶畫像最大的難點了。

舉個例子，某知識付費團隊要賣課，那么建立用戶畫像最核心的訴求就是：提高課程購買數(shù)量。如果能通過用戶畫像了解用戶購買課程的意愿，然后采取相應的運營策略，效率便會大幅度提高。而這個購買課程意愿度，就是我們最需要放在用戶畫像里的標簽。

又比如，我們建立用戶畫像之后，計算出來甲購買課程的意愿是 40%，乙購買課程的意愿是 90%。為了進一步提高購買量，我們會對購買意愿在 40% 的用戶（甲）發(fā)放優(yōu)惠券。如果沒有建立這樣一個用戶畫像標簽，我們就會對甲和乙發(fā)放同樣的優(yōu)惠券。而乙類用戶原本是不需要用優(yōu)惠券進行激勵的，這么一發(fā)，便會增加很多成本。這就牽扯到了另外一種營銷模型的構建了，在這里就不做展開說明了。

先舉個場景，程序員小Z在某電商平臺上注冊了賬號，經(jīng)過一段時間在該電商平臺的web端/app端進行瀏覽、所搜、收藏商品、下單購物等系列行為，該電商平臺數(shù)據(jù)庫已全程記錄該用戶在平臺上的行為，通過系列建模算法，給程序員小Z打上了符合其特征的標簽（如下圖所示）。此后程序員小Z在該電商平臺的相關推薦版塊上總能發(fā)現(xiàn)自己想買的商品，總能在下單前猶豫不決時收到優(yōu)惠券的推送，總是在平臺上越逛越喜歡....

如上圖所示，一個用戶標簽表里面包括常見的字段如：用戶id、用戶姓名、標簽id、標簽名稱、用戶與該標簽發(fā)生行為的次數(shù)（如搜索了兩次“大數(shù)據(jù)”這個關鍵詞）、行為類型（不同的行為類型對應用戶對商品不同的意愿強度，如購買某商品>收藏某商品>瀏覽某商品>搜索某商品），行為時間（越久遠的時間對用戶當前的影響越小，如5年前你會搜索一本高考的書，而現(xiàn)在你會搜索一本考研的書）。

最后非常重要的一個字段是標簽權重，該權重影響著對用戶屬性的歸類，屬性歸類不準確，接下來基于畫像對用戶進行推薦、營銷的準確性也就無從談起了。下面我們來講兩種權重的劃分方法。

TF-IDF算法是什么思想，這里不做詳細展開，簡而言之：一個詞語的重要性隨著它在該文章出現(xiàn)的次數(shù)成正比，隨它在整個文檔集中出現(xiàn)的次數(shù)成反比。

比如說我們這里有3個用戶和4個標簽，標簽和用戶之間的關系將會在一定程度上反應出標簽之間的關系。這里我們用w（P , T）表示一個標簽T被用于標記用戶P的次數(shù)。TF（P , T）表示這個標記次數(shù)在用戶P所有標簽中所占的比重，公式如下圖：

對上面的圖來說，用戶1身上打了標簽A 5個，標簽B 2個，標簽C 1個，那么用戶1身上的A標簽TF=5/（5+2+1） 。

相應的IDF（P , T）表示標簽T在全部標簽中的稀缺程度，即這個標簽的出現(xiàn)幾率。如果一個標簽T出現(xiàn)幾率很小，并且同時被用于標記某用戶，這就使得該用戶與該標簽T之間的關系更加緊密。

然后我們根據(jù)TF * IDF即可得到該用戶該標簽的權重值。到這里還沒結束，此時的權重是不考慮業(yè)務場景，僅考慮用戶與標簽之間的關系，顯然是不夠的。還需要考慮到該標簽所處的業(yè)務場景、發(fā)生的時間距今多久、用戶產(chǎn)生該標簽的行為次數(shù)等等因素。我用個圖總結下：

關于時間衰減的函數(shù)，根據(jù)發(fā)生時間的先后為用戶行為數(shù)據(jù)分配權重。

時間衰減是指用戶的行為會隨著時間的過去，歷史行為和當前的相關性不斷減弱，在建立與時間衰減相關的函數(shù)時，我們可套用牛頓冷卻定律數(shù)學模型。牛頓冷卻定律描述的場景是：一個較熱的物體在一個溫度比這個物體低的環(huán)境下，這個較熱的物體的溫度是要降低的，周圍的物體溫度要上升，最后物體的溫度和周圍的溫度達到平衡，在這個平衡的過程中，較熱物體的溫度F(t)是隨著時間t的增長而呈現(xiàn)指數(shù)型衰減，其溫度衰減公式為：

F(t)=初始溫度×exp(-冷卻系數(shù)×間隔的時間)

其中α為衰減常數(shù)，通過回歸可計算得出。例如：指定45分鐘后物體溫度為初始溫度的0.5，即 0.5=1×exp(-a×45)，求得α=0.1556。

這個相關系數(shù)矩陣聽title挺困難，其實道理十分簡單。舉個例子：用戶1身上打上了5個A標簽、2個B標簽、1個C標簽；用戶2身上打上了4個A標簽，3個B標簽；用戶3身上打上了4個C標簽、1個D標簽。

用個圖形象表示一下：

那么同時打上A、B標簽的用戶有兩個人，這就說明AB之間可能存在某種相關性，當用戶量、標簽量級越多時，標簽兩兩之間的相關性也越明顯。

參考資料

• 1、https://zhuanlan.zhihu.com/p/27828271
• 2、htps://http://www.zhihu.com/question/31429786
• 3、相關內容已獲作者授權

更多干貨，請關注公眾號：煉丹筆記

總結

以上是生活随笔為你收集整理的当推荐系统遇上用户画像：你的画像是怎么来的？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。