中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導(dǎo)語：上一篇《阿里/網(wǎng)易/美團(tuán)/58用戶畫像中的ID體系建設(shè)》，筆者進(jìn)行了畫像體系中的地基建設(shè)，ID-Mapping體系的打通；接下來一起探究阿里、網(wǎng)易、汽車之家標(biāo)簽體系搭建方法，我們一起來看一下。

一、阿里

為打破數(shù)據(jù)孤島，創(chuàng)造更大的數(shù)據(jù)價(jià)值，阿里設(shè)計(jì)了OneEntity來提供全域數(shù)據(jù)與服務(wù)；OneEntity體系主要包含統(tǒng)一實(shí)體、全域標(biāo)簽、全域關(guān)系、全域行為4大類。

1.?標(biāo)簽分類

其中GProfile全域標(biāo)簽的分類，將“人”的立體刻畫劃分為“人的核心屬性”和“人的向往與需求”2大部分，具體包含4大類：

人的核心屬性，可分為自然屬性、社會屬性：

• 自然屬性：是指人的肉體存在及其特征，是人自出生后自然存在的，一般不會因人為因素發(fā)生較大的改變；例如“性別”“生肖”“年齡”“身高”“體重”等。
• 社會屬性：指人在實(shí)踐活動(dòng)基礎(chǔ)上產(chǎn)生的一切社會關(guān)系的總和。人一旦進(jìn)入社會就會產(chǎn)生社會屬性；例如經(jīng)濟(jì)狀況、家庭狀況、社會地位、政治宗教、地理位置、價(jià)值觀等。

人的向往與需求，可分為興趣偏好、行為消費(fèi)偏好：

• 興趣偏好：是人堆非物化對象的內(nèi)在心理向往與外在行為表達(dá)，是一種法子內(nèi)心的本能喜好，與物質(zhì)無必然關(guān)系；例如渴望愛情、需要安全感、討厭臟亂環(huán)境等。
• 行為消費(fèi)偏好：是人對物化對象的需求與外在行為表達(dá)，涉及各行業(yè)，與物質(zhì)世界存在千絲萬縷的聯(lián)系；例如母嬰行業(yè)偏好、美妝行業(yè)偏好、洗護(hù)行業(yè)偏好、家裝行業(yè)偏好等。

在以上四大類的基礎(chǔ)上，我們又嘗試根據(jù)不同的業(yè)務(wù)形態(tài)進(jìn)一步細(xì)分二級、三級分類。

2. 標(biāo)簽萃取

標(biāo)簽的萃取工作包含：數(shù)據(jù)采集、清洗，去噪聲并統(tǒng)一、反復(fù)試用并確定最佳算法及模型、為模型選擇計(jì)算因子并對模型中的每一個(gè)計(jì)算因子調(diào)配權(quán)重、產(chǎn)出標(biāo)簽質(zhì)量評估報(bào)告以輔助驗(yàn)收。

我們隨機(jī)抽查了若干個(gè)在用的標(biāo)簽，預(yù)估工作量和工作周期，一個(gè)有價(jià)值的標(biāo)簽的萃取，平均耗時(shí)2周。

慢的主要原因：

• 由于萃取流程復(fù)雜，每個(gè)標(biāo)簽萃取都依賴底層的基礎(chǔ)數(shù)據(jù)，而較少依賴上一層匯總的數(shù)據(jù)中間層數(shù)據(jù)；
• 大量重復(fù)的人力，對應(yīng)的標(biāo)簽萃取邏輯時(shí)可以復(fù)用的，包含算法的選擇、模型訓(xùn)練和計(jì)算因子的加權(quán)等；但由于不同人來做，造成了很多重復(fù)工作。

標(biāo)簽萃取過程復(fù)雜，那有什么可以參考的流程呢？

• 首先，數(shù)據(jù)源層面：建設(shè)一套完整的數(shù)據(jù)源，以O(shè)neEntity體系為核心，將OneEntity相關(guān)實(shí)體及其行為全部串聯(lián)起來，與存量的標(biāo)簽一起作為數(shù)據(jù)源。
• 其次，標(biāo)簽計(jì)算層面：將標(biāo)簽萃取邏輯沉淀為2種，分別對應(yīng)到偏好類標(biāo)簽和分類預(yù)測類標(biāo)簽的工具型產(chǎn)品的生產(chǎn)過程中，包含計(jì)算因子、權(quán)重等業(yè)務(wù)規(guī)則、數(shù)據(jù)樣本選擇、模型與算法選擇等。
• 最后，標(biāo)簽監(jiān)測層面：沉淀質(zhì)量評估報(bào)告和生產(chǎn)監(jiān)測、上線等管理流程。

當(dāng)一整套工具型產(chǎn)品上線之后，批量生產(chǎn)十幾個(gè)同類型標(biāo)簽只需要2天左右，這是因?yàn)樵谘a(bǔ)足數(shù)據(jù)源、確定業(yè)務(wù)規(guī)則、選擇數(shù)據(jù)樣本、選擇算法與模型的過程中，減少了大量的代碼開發(fā)與模型訓(xùn)練的工作。

在這個(gè)過程中，參與的角色也發(fā)生了變化，從原本的以數(shù)據(jù)產(chǎn)品經(jīng)理、數(shù)倉工程師、數(shù)據(jù)科學(xué)家為主導(dǎo)；轉(zhuǎn)變?yōu)閷I(yè)務(wù)更為熟悉的業(yè)務(wù)人員、數(shù)據(jù)分析師為主導(dǎo)。

GRelation全域關(guān)系、GBehavior全域行為在此不再贅述。

二、網(wǎng)易

網(wǎng)易大數(shù)據(jù)融合用戶娛樂、電商購物、教育、新聞資訊、通訊等多行業(yè)10+產(chǎn)品線，構(gòu)建起全域用戶畫像數(shù)據(jù)，目前總標(biāo)簽1000+，ID量URS、phone、idfa、IMEI、oaid等均達(dá)到憶級。

1. 標(biāo)簽分類

1）基礎(chǔ)標(biāo)簽

性別、年齡、教育背景、生活習(xí)慣（早起晚起）、地理位置（POI信息）、職業(yè)狀況、經(jīng)濟(jì)情況（有車有房）、設(shè)備信息（手機(jī)、運(yùn)營商等）、會員信息（會員等級）、衍生信息。

其中衍生標(biāo)簽，如評估是否已婚，在原由標(biāo)簽體系下沒有此類標(biāo)簽；但可通過多個(gè)標(biāo)簽進(jìn)行組合生成新的標(biāo)簽，包含是否有小孩、30歲等條件組合。

2）行為標(biāo)簽

包含地域、廣告、搜過、播放、點(diǎn)擊、評論、關(guān)注、收藏、購買等維度。

3）偏好標(biāo)簽

包含出行購物、手機(jī)數(shù)碼、家裝家居、教育公益、文化娛樂、新聞資訊、金融理財(cái)、游戲競技、動(dòng)漫影視、明星藝人等維度

4）預(yù)測標(biāo)簽

包含利用算法進(jìn)行預(yù)測生成的標(biāo)簽，包含是否出行、是否買車等標(biāo)簽。

注意：

• 標(biāo)簽的枚舉值十分重要，業(yè)務(wù)分析過程中很容易出現(xiàn)枚舉值的偏差，不符合實(shí)際業(yè)務(wù)邏輯；
• 注意標(biāo)簽之間的沖突，如年齡15歲，學(xué)歷卻是博士或者有小孩。

2. 標(biāo)簽計(jì)算

預(yù)測類標(biāo)簽案例：性別，主要包含三種方案：

• 標(biāo)簽傳播：根據(jù)用戶在各個(gè)業(yè)務(wù)場景，如母嬰商品點(diǎn)擊行為，進(jìn)行item標(biāo)記，構(gòu)建user-item的興趣網(wǎng)絡(luò)進(jìn)行 Graph Embedding，最后進(jìn)行分類，預(yù)測用戶的性別。
• 語義分析：利用NLP算法對用戶昵稱進(jìn)行語義分析
• 自行填寫：利用業(yè)務(wù)屬性自行填寫的內(nèi)容進(jìn)行判斷，此處需對數(shù)據(jù)質(zhì)量進(jìn)行過濾，排除如生日為1990-01-01的參數(shù)異常值信息。

基于上述三類算法特征結(jié)果集，對模型進(jìn)行融合，然后對用戶的性別進(jìn)行預(yù)測，其準(zhǔn)確率在0.6以上。

注意：需要突破的地方在于特征的稀疏性，因?yàn)镮D-mapping打通后，數(shù)據(jù)覆蓋率僅20%左右，嚴(yán)重影響了模型的整體效果。

三、汽車之家

用戶畫像的構(gòu)建就是把用戶標(biāo)簽分列到不同的類里面，這些類都是什么，彼此之間的聯(lián)系，就構(gòu)成了標(biāo)簽體系。

1. 按用途分類

1）人口屬性

用戶自然屬性、用戶會員、用戶所屬年代、用戶價(jià)值登記、是否增換購用戶、用戶分群、UVN-B用戶分群、用戶分層、用戶流失預(yù)警。

2）網(wǎng)絡(luò)屬性

用戶APP設(shè)備信息、用戶PC設(shè)備信息、用戶活躍時(shí)段、用戶平臺偏好、用戶活躍類型。

3）內(nèi)容興趣偏好

業(yè)務(wù)類型偏好、內(nèi)容分類標(biāo)簽、用戶關(guān)注作者偏好、用戶產(chǎn)品偏好、用戶顯式負(fù)反饋、用戶論壇偏好、車友圈偏好、用戶興趣欄目。

4）車興趣偏好

用戶短期興趣車偏好、用戶興趣車偏好、配置偏好、用戶顏色偏好、用戶購車目的、用戶置換偏好、用戶推薦有車、二手車用戶偏好、用戶購車意向、用戶新舊偏好、用戶購車階段、用戶有車標(biāo)簽、用戶興趣集中度、用戶能源偏好、用戶生產(chǎn)方式偏好。

5）金融畫像

分期購車意向度、用戶購買力、二手車用戶購買力、用戶汽車價(jià)格偏好、用戶經(jīng)濟(jì)屬性、增換購用戶預(yù)測線索。

6）場景畫像

用戶地理位置。

2. 按統(tǒng)計(jì)方式分類

1）統(tǒng)計(jì)類標(biāo)簽

統(tǒng)計(jì)類標(biāo)簽，通過業(yè)務(wù)規(guī)則，將業(yè)務(wù)問題轉(zhuǎn)化為數(shù)據(jù)口徑實(shí)現(xiàn)；如收藏列表、 搜索關(guān)鍵詞、保險(xiǎn)到期時(shí)間、是否下過線索、30天內(nèi)訪問xx次等。

2）興趣類標(biāo)簽

興趣類標(biāo)簽，基于興趣遷移模型構(gòu)建用戶標(biāo)簽。綜合考慮特征、特征權(quán)重、距今時(shí)間、行為次數(shù)等因素，用戶興趣標(biāo)簽構(gòu)建公式如下：

用戶興趣標(biāo)簽=行為類型權(quán)重*時(shí)間衰減*行為次數(shù)

• 特征：需要結(jié)合業(yè)務(wù)選擇，如瀏覽、搜索、線索、對比、互動(dòng)、點(diǎn)擊、有車等行為。
• 權(quán)重：用戶在平臺上發(fā)生的行為具體到用戶標(biāo)簽層面有著不同的行為權(quán)重，一般而言，行為發(fā)生的成本越高，權(quán)重越大；可以由業(yè)務(wù)人員確定，也可以采用TF-IDF技術(shù)分析得出。
• 時(shí)間衰減：用戶行為收時(shí)間的影響不斷衰減，距離現(xiàn)在越遠(yuǎn)，對用戶興趣的影響越低，這里采用牛頓冷卻定律的思想擬合衰減系數(shù)，衰減周期結(jié)合業(yè)務(wù)制定。
• 行為次數(shù)：在固定時(shí)間周期內(nèi)行為發(fā)生的次數(shù)越多，興趣傾向越重。

3）模型類標(biāo)簽

基于機(jī)器學(xué)習(xí)方法進(jìn)行數(shù)據(jù)建模預(yù)測用戶的標(biāo)簽，這類標(biāo)簽在標(biāo)簽體系中占比較少，其實(shí)現(xiàn)難度高，開發(fā)成本高。

例如：

• 是否有車：基于RF+LR模型實(shí)現(xiàn)
• 常駐地：基于GPS聚類獲取，采用DBSCAN
• 購車轉(zhuǎn)化：GBDT
• 用戶分群：KMENAS聚類產(chǎn)生

3. 按時(shí)效分類

從數(shù)據(jù)時(shí)效上，可分為離線畫像和實(shí)時(shí)畫像。

離線與實(shí)時(shí)采用的構(gòu)建思想相同，不同之處在于：

• 離線畫像：描述用戶長期的習(xí)慣；
• 實(shí)時(shí)畫像：描述用戶當(dāng)下的興趣，會隨時(shí)間的改變而發(fā)生變更；

四、總結(jié)

各大公司的標(biāo)簽分類不同，現(xiàn)市面上有三種常用的標(biāo)簽分類方式：

• 按用途分類，可分為基礎(chǔ)信息、用戶行為、業(yè)務(wù)偏好、場景標(biāo)簽；
• 按統(tǒng)計(jì)方式分類，可分為事實(shí)類標(biāo)簽、規(guī)則類標(biāo)簽、預(yù)測類標(biāo)簽；
• 按時(shí)效分類，可分為靜態(tài)標(biāo)簽、動(dòng)態(tài)標(biāo)簽。

篇幅有限，接下來繼續(xù)開展標(biāo)簽體系建設(shè)實(shí)踐篇。

畫像系列文章：

數(shù)據(jù)產(chǎn)品索隆，坎坷的標(biāo)簽體系建設(shè)之路

數(shù)據(jù)產(chǎn)品索隆，標(biāo)簽體系建設(shè)流程

標(biāo)簽構(gòu)建過程中，如何快速盤點(diǎn)業(yè)務(wù)及數(shù)據(jù)需求？

阿里/網(wǎng)易/美團(tuán)/58用戶畫像中的ID體系建設(shè)

作者：草帽小子；公眾號：一個(gè)數(shù)據(jù)人的自留地，wx：luckily304

本文由 @草帽小子 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議