精华内容
下载资源
问答
  • 基于深度学习用户画像研究作者:兰秋军 周妹璇所属学科:管理学 二级学科: 管理工程关键字:用户画像高维特征标签深度神经网络摘要/Abstract用户画像在个性化推荐以及精准营销中起到了重要作用.如今在大数据背景...

    基于深度学习的用户画像研究

    作者:兰秋军 周妹璇

    所属学科:管理学  二级学科: 管理工程

    关键字:用户画像高维特征标签深度神经网络

    摘要/Abstract

    用户画像在个性化推荐以及精准营销中起到了重要作用.如今在大数据背景下,传统的浅层学习方法由于不能深入挖掘特征之间的关系,尤其是在高维特征基础上预测用户画像标签时面临挑战。本文采用在原有特征基础上进行特征拓展与独热编码方法,并利用深度神经网络对用户画像标签进行预测,通过与决策树、逻辑回归算法的实验对比,本文方法获得较高的AUC值,达0.792。本文进一步对深度神经网络的网络层数、神经元个数及正则化技术进行探索。

    User profile plays an important role in personalized recommendation and precision marketing. In the era of big data, due to the lack of mining the relation of the features, the traditional shallow learning methods are faced with difficulties in predicting the tags of user profile especially based on high-dimensional features. In this paper, we expand the primeval basic features and convert them with one-hot encoding, and we predict the tag of user profile by Deep Neural Network (DNN). By the contrast experiments with Decision Tree (DT) and Logistic Regression (LR), our method achieves a higher score at 0.792 in AUC. Further, this paper explores the numbers of layers and neurons of DNN and regularization technology.

    全文/Full Text

    论文刊载证明

    由 兰秋军 向中国高校人文社会科学信息网"论文在线"提交的 基于深度学习的用户画像研究 论文,经本网站审阅后,已于 2018年04月18 日 在中国高校人文社会科学信息网(互联网出版许可证:新出网证(京)字029号)刊载,对外公开发表。论文作者共 2 人,依次为:兰秋军,周妹璇。特此证明。

    文章ID:82154

    刊载地址:www.sinoss.net/show.php?contentid=82154

    中国人民大学出版社

    中国高校人文社会科学信息网

    2020年12月29日

    兰秋军(收)

    中国高校人文社会科学信息网

    展开全文
  • 基于深度学习用户画像研究-社科网基于深度学习用户画像研究兰秋军,周妹璇(湖南大学工商管理学院,湖南省、长沙市,410082)摘要:用户画像在个性化推荐以及精准营销中起到了重要作用.如今在大数据背景下,传统的...

    基于深度学习的用户画像研究-社科网

    基于深度学习的用户画像研究

    兰秋军,周妹璇

    (湖南大学工商管理学院,湖南省、长沙市,410082)

    摘要:用户画像在个性化推荐以及精准营销中起到了重要作用.如今在大数据背景下,传统的浅层学习方法

    由于不能深入挖掘特征之间的关系,尤其是在高维特征基础上预测用户画像标签时面临挑战。本文采用在

    原有特征基础上进行特征拓展与独热编码方法,并利用深度神经网络对用户画像标签进行预测,通过与决

    策树、逻辑回归算法的实验对比,本文方法获得较高的 AUC 值,达 0.792。本文进一步对深度神经网络的

    网络层数、神经元个数及正则化技术进行探索。

    关键词:用户画像;高维特征;标签;深度神经网络

    中图分类号: TP391 文献标识码:A

    0 引言

    随着互联网技术的快速发展与人们物质生活水平的提高,移动终端设备迅速普及,各种

    移动应用也竞相进入人们的生活,导致互联网信息呈爆炸式增长。面对海量信息与当今不断

    加快的生活节奏,人们遭受信息筛选困难,信息处理效率低下的困扰,而企业由于对用户的

    营销不够细化,不合时宜与不合偏好的推送给用户造成骚扰,甚至流失重要客户。因此,如

    何利用各种与用户相关的信息精准地构建用户标签,在用户和信息需求之间实现自动化匹配

    成为当下各大电商企业重点研究的方向,用户画像及其相关技术就在这种背景下应运而生。

    虽然目前已有多种用户画像的研究方法,但大多基于浅层学习方法,没有将数据特征之

    间的内在联系进一步挖掘,在某些情况下面临着挑战,比如广告点击率与转化率预测这类问

    题中,输入特征具有数量大、维度高以及稀疏性,浅层学习方法预测效果还有待进一步提升。

    如何准确高效地预测用户画像标签不仅有助于企业实现精准营销增加收益,还能提高用户对

    个性化服务的满意度,这也是本文研究目的与意义所在。

    本文研究内容是对用户画像的定义和构建流程进行归纳总结,利用用户相关的基础特征

    进行拓展与独热编码,并使用深度神经网络方法来预测用户画像标签,从特征学习的角度挖

    掘出多维度特征之间隐藏的联系,从而提高用户画像的标签预测效果。本文在腾讯社交广告

    算法大赛的初赛数据上进行实验,并与逻辑回归(LR)和决策树进行对比,深度神经网络方

    法获得更高的AUC 值,并进一步探索神经网络深度与神经元数量及dropout 技术对模型性能

    的影响。

    1 相关研究

    用户画像首次被提出可以追溯到“交互设计之父”Alan Cooper 提出的Personas are a

    [1]

    concrete representation of target users.” ,他指出用户画像(Persona )是对目标

    用户的具体表示,又被称为用户角色,是基于大量目标用户群的真实信息构建的用户标签体

    系,是对产品或服务的目标人群做出的特征刻画。通过收集用户的人口统计信息、偏好信息

    及行为信息等,构建出用户画像,可以让产品经理更好地了解用户,设计出合适的产品原型,

    因此,用户画像是用户需求与产品设计的联系的桥梁。

    通过查阅国内外用户画像相关文献不难发现,用户画像最早起步于国外,其理论和实践

    - 1 -

    相对于国内来说比较成熟。在早期,用户数据的来源渠道比较少,数据量也相对少的时期,

    用户画像的研究主要基于统计分析层面,通过用户调研来构建用户画像标签。加利福尼亚大

    学的 Syskill 和Webert 就是通过显式地收集网站用户对页面的满意度,然后通过统计分析逐

    [2]

    步学习构建出用户兴趣模型 。后来,随着互联网及信息采集技术的发展,CUM 大学开发

    的Web Watcher 以及后来的Personal Web Watcher[3],可以通过数据采集器,记录互联网上

    用户产生的各种浏览行为及用户的兴趣偏好,实现对用户兴趣模型的构建,并随着数据的不

    断累积扩大而更新系统模型,用户画像标签也更加丰富。

    近年来

    展开全文
  • 本系列文章适用读者:对神经网络有些认识,想了解实际工作中神经网络是如何落地到用户画像或推荐系统场景中的。实际上,用户画像的方法有很多,我...另一种是本文提及的深度学习方法,虽然这种方法也可以对用户特征...

    本系列文章适用读者:对神经网络有些认识,想了解实际工作中神经网络是如何落地到用户画像或推荐系统场景中的。

    实际上,用户画像的方法有很多,我把他们暂且分为两种,一种是传统机器学习算法,例如无监督聚类、多分类算法(集成树等),这些方法都需要我们手动提取每个用户的特征,用一个特征向量去代表一个用户,我们把特征向量放到模型里,得到聚类或分类的结果;另一种是本文提及的深度学习方法,虽然这种方法也可以对用户特征向量进行分类,但是它有一个更强大的应用。那就是我们不再需要手动去提取用户的特征向量,而是可以把用户的行为(例如用户点击的商品记录)喂给深度学习模型,模型能自动得到用户的特征,进而得出分类结果,效果往往不错。

    那了解了深度学习的优势之后,在实际场景中如何去落地,去应用深度学习方法是这个系列的文章的目的。这个系列的文章会循序渐进,从应用神经网络的前奏“1.词向量嵌入”开始讲起,预备篇力求讲清楚例如用户的浏览商品记录是如何处理之后交给模型的。然后是“2.经典的模型”,有了输入之后,有哪些神经网络可以使用,是武器篇的内容。接着“3.模型结构”会详细阐述常用模型的内部结构原理,源码的实现,如何去调参及自定义模型的某个模块。接着是装备篇,深度学习模型往往需要高效的GPU加持,对于刚入门的小白来讲,有哪些GPU平台可以使用及比较好的GPU租用平台等番外的内容,如果实验室有卡,请自动忽略。最后是”5.实战篇“,纸上得来终觉浅,觉知此事要躬行。我们就用2020年腾讯广告大赛来进行实战,在实战当中去真正了解数据的处理过程、模型的效果对比、模型融合等等。

    本系列文章会不断持续更新,欢迎关注,共同交流学习。

    展开全文
  • 基于主题模型的用户画像构建方法主要从用户所在的社交媒体中关联的数据里抽取画像特征。常见的主题模型有1.LDA(latent Dirichlet Allocation)文档主题生成模型 LDA文档主题生成模型,也称三层贝叶斯概率模型,包含...

    基于主题模型的用户画像构建方法

    主要从用户所在的社交媒体中关联的数据里抽取画像特征。

    常见的主题模型有

    1.LDA(latent Dirichlet Allocation)文档主题生成模型
    LDA文档主题生成模型,也称三层贝叶斯概率模型,包含词、主题、文档三层结构。
    
    2.ATM (Author-Topic Model)
    作者主题模型
    
    3.ARTM (Author-Recipient-Topic Model)
    作者接受者主题模型
    
    4.APTM (Author Interest Topic Model)
    作者兴趣模型

    基于深度学习的用户画像构建方法

    利用分布式表示学习的思想刻画出用户社交关系网络

    分布式深度学习分为数据并行和模型并行

    基于贝叶斯的用户画像构建方法

    构建贝叶斯网络,将用户的特征属性以及行为关联映射到网络边权中。通过用户历史产生的行为事件,关联预测用户的表现特征,进而量化表示用户的兴趣习惯。

    基于规则匹配的用户画像构建方法

    根据具体的业务需求定义定义匹配规则,进行用户特征的挖掘

    展开全文
  • 什么是用户画像用户画像,英文又叫 User Profile,我们经常看到在 PPT 中展现出高大上的用户画像,展现的方式是采用标签云的方式绘制一个人的形状,或者在一个人物形象旁边列出若干人口统计学属性,以此来表达“用户...
  • 说明:用户画像的概念以及意义不在此赘述,这里只探讨如何快速搭建基础架构以及后续工作的注意事项。用户画像的提出是基于日益发展的业务需要,在相对充分的数据储备之上的进一步理解和提炼数据过程中提出的概念。...
  • 移动互联网时代,精细化运营逐渐成为企业发展的重要竞争力,“用户画像”的概念也应运而生。用户画像是指,在大数据时代,企业通过对海量数据信息进行清洗、聚类、分析,将数据抽象成标签,再利用这些标签将用户形象...
  • 构建推荐系统的核心任务之一在于如何准确地分析出用户的兴趣特点,也就是我们常...用户画像研究的现状和挑战目前,主流用户画像方法一般是基于机器学习尤其是有监督学习的技术。这类方法从用户数据中抽取特征来作为...
  • 移动互联网时代,精细化运营逐渐成为企业发展的重要竞争力,“用户画像”的概念也应运而生。用户画像是指,在大数据时代,企业通过对海量数据信息进行清洗、聚类、分析,将数据抽象成标签,再利用这些标签将用户形象...
  • 近日,创客学院联合创始人小美老师受邀做客凤凰教育【华人教育家-大咖论教】在线节目,与11万网友一起深度畅聊人工智能与物联网。专访中,小美老师与大家详谈了物联网和嵌入式技术未来的发展趋势、物联网相关人才的...
  • 互联网发展至今,大部分行业在网络上都有一定的数据可寻,今天我要讲的是如何通过数据挖掘出用户的痛点,进而形成人群画像与定位。以童装批发为列我们来拆解1、关键词挖掘首先我们挖掘童装批发这个行业的长尾关键词...
  • 小编推荐:DLFlow是滴滴用户画像团队打造的一套端到端的深度学习方案,主要面向大数据离线任务环境。通过结合Spark和Tensorflow,实现了原始特征快速处理、海量数据训练、大规模分布式预测,极大的提高了模型算法的...
  • 本文主要向大家介绍了机器学习入门之kaggle之数据分析从业者用户画像分析,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。数据为kaggle社区发布的数据分析从业者问卷调查分析报告,其中涵盖了关于...
  • 原标题:发挥大数据价值:精准的用户画像是怎样练成的?上篇《让大数据接地气:用户画像在...接下来,我们就继续探秘360用户画像,从技术层面深度剖析精准的用户画像是怎样练成的!1.关键技术在给用户打标签的过程...
  • 本发明涉及大数据、人工智能、机器学习,特别涉及一种基于深度神经网络的用户画像表示学习系统及方法。背景技术:近年来,社交网络迅速发展,用户人数呈爆炸式增长。通过社交网络服务,人们除了进行社交行为,则更多...
  • 原标题:终于等到你—用户画像解决方案课程上线了!用户画像解决方案课程上线啦!讲师说:规划了许久的用户画像解决方案课程终于上线啦。这套课程全部从实际工程开发、应用的角度出发,可操作性、落地性强。内容主要...
  • 【编者按】微软亚洲研究院社会计算组的研究员们从深度学习、知识图谱、强化学习、用户画像、可解释性推荐等五个方面,展望了未来推荐系统发展的方向。在前三篇文章中,我们分别介绍了深度学习、知识图谱、强化学习在...
  • 标签:用户画像[ 导读 ]用户画像作为当下描述分析用户、运营营销的重要工具,被全部互联网人熟知,用户画像的定义并不复杂,是系统通过用户自行上传或埋点上报收集记录了用户大量信息,为便于各业务应用,将这些信息...
  • 移动互联网时代,精细化运营逐渐成为企业发展的重要竞争力,“用户画像”的概念也应运而生。用户画像是指,在大数据时代,企业通过对海量数据信息进行清洗、聚类、分析,将数据抽象成标签,再利用这些标签将用户形象...
  • 本文所用的是基于深度学习的深层次用户画像的构成要素学习,在保留深度学习特征提取的优点的同时,结合后续的监督/无监督学习方法实现用户分类/聚类,强化投资者画像的特征可解释性,并能够进行后续分析。...
  • 电商搜索如何让你买得又快又好「搜索前」(二)​zhuanlan.zhihu.com姚凯飞:电商搜索如何让你买得又快又好「搜索中」(三)​zhuanlan.zhihu.com如何让搜索算法提升电商用户体验​www.zhihu.com姚凯飞:电商搜索如何让...
  • 然后通过AI技术对所抓取的大数据进行整理、归纳并分析潜在客户的信息特征,形成不同平台独立的数据池,再进一步通过机器深度学习,对海量数据集中进行处理,绘制出行业AI用户画像。 HaGro【黑格增长】绘制的清晰的...
  • 本文分享的是CIKM2020微信的论文:Learning to Build User-tag Profile in Recommendation System,主要介绍了微信看一看("Top Stories")中,如何进行用户-标签的兴趣建模,提升推荐效果。 背景看一下微信看一看场景...
  • 3、熟悉机器学习的理论基础,有深度学习研发经验,熟悉 tensorflow/caffe/pytorch 优先; 4、掌握基于 Hadoop 或 Hbase 等大数据平台工具的开发与设计,熟悉 Hive,Spark 开发优先; 5、具有良好的沟通能力,和良好...
  • 智东西(公众号:zhidxcom)文 | Lina智东西8月13日消息,今天,神策数据正式推出了四款用户行为数据分析工具——神策客景、神策用户画像、神策智能运营、神策智能推荐。神策数据表示,目前这四款新产品的第一批种子...
  • 用户画像模型训练以及特征提取,深度学习处理用户画像问题。
  • 深度学习用户画像标签模型中的应用

    万次阅读 热门讨论 2018-02-14 01:18:28
    最近一段时间都在学习深度学习,想着在用户画像标签模型中看能不能用上,终于,用了一个多月的时间,结合实际的场景和数据,搭建了一套“孕妇标签”的深度学习模型。这篇文章重点介绍了在用户画像标签模型中运用深度...

空空如也

空空如也

1 2 3 4 5 6
收藏数 112
精华内容 44
关键字:

深度学习用户画像