亚洲精品国产综合久久久久紧,久久久久99精品成人片直播,被窝影院午夜无码国产,久久久久波多野结衣高潮

開搶了！雙11創(chuàng)業(yè)者優(yōu)選服務(wù)！

我們經(jīng)常談?wù)摰挠脩艟?xì)化運(yùn)營(yíng)，到底是什么?簡(jiǎn)單來(lái)講，就是將網(wǎng)站的每個(gè)用戶標(biāo)簽化，制作一個(gè)屬于他自己的網(wǎng)絡(luò)身份證。

然后，運(yùn)營(yíng)人員通過身份證來(lái)確定活動(dòng)的投放人群，圈定人群范圍，更為精準(zhǔn)的用戶培養(yǎng)和管理。

當(dāng)然，身份證最基本的信息就是姓名、年齡和性別。與現(xiàn)實(shí)不同的是，網(wǎng)絡(luò)上用戶填寫的資料不一定完全準(zhǔn)確，還需要進(jìn)行進(jìn)一步的確認(rèn)和評(píng)估。

下面我來(lái)介紹一下具體的識(shí)別思路。

一、用戶畫像需要的數(shù)據(jù)

用戶平時(shí)在電商網(wǎng)站的購(gòu)物行為、瀏覽行為、搜索行為，以及訂單購(gòu)買情況都會(huì)被記錄在案，探查其消費(fèi)能力，興趣等。數(shù)據(jù)歸類后，一般來(lái)講，可以通過三類數(shù)據(jù)對(duì)用戶進(jìn)行分群和定義。

1、用戶信息

社會(huì)特征：馬克思的人性觀把人分為社會(huì)屬性和自然屬性。社會(huì)特征主要指的是人在社會(huì)上的階級(jí)屬性，當(dāng)然也包括服從性、依賴性或者自覺性等，這是人類發(fā)展的必然的基本要求。

自然特征：也可以說成是人的生物性，通常來(lái)講可以是食欲，物欲或者購(gòu)買欲，自我保存能力。但不同人會(huì)有不同的自然特征，比如學(xué)習(xí)能力和邏輯思維等。

興趣特征：對(duì)于電商來(lái)講，主要是對(duì)某件商品，某個(gè)品牌或者品類的興趣程度，如加購(gòu)、瀏覽、收藏、搜索和下單行為。

消費(fèi)特征：消費(fèi)能力的評(píng)估，消費(fèi)傾向的評(píng)估，能夠判斷用戶的消費(fèi)層級(jí)，是高消費(fèi)力還是低消費(fèi)力。

2、商品

商品屬性：基本信息，品類，顏色尺碼型號(hào)等。

商品定位：商品層級(jí)，是否為高中低端，商品類型傾向于哪類客戶，區(qū)域或者其他的特征。

最后通過以上的信息來(lái)獲取用戶信息，判斷其具體的畫像特征，然后得到類似于醬紫的網(wǎng)絡(luò)身份證。

通常，拿到數(shù)據(jù)后，我們會(huì)將每個(gè)環(huán)節(jié)進(jìn)行拆解，落實(shí)到具體的行動(dòng)策略上。大體可以根據(jù)以下流程進(jìn)行模型的預(yù)估：

業(yè)務(wù)目標(biāo)：精準(zhǔn)投放——針對(duì)已有產(chǎn)品，尋找某性別偏好的精準(zhǔn)人群進(jìn)行廣告投放。

技術(shù)目標(biāo)：對(duì)用戶購(gòu)物性別識(shí)別——男性，女性，中性。

解決思路：選擇一種分類算法，建立spark模型，對(duì)模型進(jìn)行應(yīng)用。

線上投放：對(duì)得到的數(shù)據(jù)進(jìn)行小范圍內(nèi)的測(cè)試投放，初期不宜過大擴(kuò)大投放范圍。

效果分析：對(duì)投放的用戶進(jìn)行數(shù)據(jù)分析，評(píng)估數(shù)據(jù)的準(zhǔn)確性。若不夠完美，則需要重新建模和測(cè)試。

二、產(chǎn)品如何理解建模過程

重點(diǎn)來(lái)了，雖然能夠通過用戶的行為、購(gòu)買和興趣數(shù)據(jù)，了解用戶的基本信息，但是仍然不清楚如何建模?用什么語(yǔ)言建模?

其實(shí)，購(gòu)物性別的區(qū)分使用的是spark，但是spark也有很多分類，包含邏輯回歸，線性支持向量機(jī)，樸素貝葉斯模型和決策樹。那么，又該如何選擇呢?

其中，決策樹的優(yōu)點(diǎn)較多，主要是其變量處理靈活，不要求相互獨(dú)立?？商幚泶缶S度的數(shù)據(jù)，不用預(yù)先對(duì)模型的特征有所了解。對(duì)于表達(dá)復(fù)雜的非線性模式和特征的相互關(guān)系，模型相對(duì)容易理解和解釋。看起來(lái)決策樹的方法最適合區(qū)分性別特征了，所以決定用決策樹進(jìn)行嘗試。

什么是決策樹?簡(jiǎn)單來(lái)講，是通過訓(xùn)練數(shù)據(jù)來(lái)構(gòu)建一棵用于分類的樹，從而對(duì)未知數(shù)據(jù)進(jìn)行高效分類?？梢詮南旅娴膱D了解決策樹的工作原理。

構(gòu)造決策樹的步驟為：

起始階段，所有歷史數(shù)據(jù)當(dāng)作一個(gè)主節(jié)點(diǎn);

我們選擇某個(gè)屬性測(cè)試條件用于分割節(jié)點(diǎn)，以擇偶標(biāo)準(zhǔn)模型為例，把長(zhǎng)相作為首節(jié)點(diǎn);

將長(zhǎng)相節(jié)點(diǎn)分割，以帥和丑作為條件，導(dǎo)致的結(jié)果作為其子節(jié)點(diǎn)，如分割成牽手和是否公務(wù)員;

對(duì)子節(jié)點(diǎn)，如牽手和是否公務(wù)員，繼續(xù)執(zhí)行第2、3步，直到節(jié)點(diǎn)滿足停止分割的條件。

通過訓(xùn)練數(shù)據(jù)來(lái)構(gòu)建一棵用于分類的樹，從而對(duì)未知數(shù)據(jù)進(jìn)行高效分類。

以上步驟中，能夠得出一個(gè)結(jié)論，在構(gòu)建決策樹的過程中，最重要的是如何找到最好的分割點(diǎn)。決策樹值得注意的問題是過擬合問題，整個(gè)算法必須解決「如何停止分割」和「如何選擇分割」兩個(gè)關(guān)鍵問題。

最簡(jiǎn)單的做法就是設(shè)定樹的深度或枝葉的最少樣本量。但是，過少的樣本量又不具有代表性，所以一般情況，可以使用交叉驗(yàn)證的方法。交叉驗(yàn)證就是可以使用一部分?jǐn)?shù)據(jù)用于模型的訓(xùn)練，另一部分?jǐn)?shù)據(jù)可以用來(lái)評(píng)估模型的性能。業(yè)內(nèi)常用的劃分方法是講樣本進(jìn)行50/50分，60/40分或者80/20分。

三、模型確立過程

在建模前期，首要考慮的事情就是先確定指標(biāo)，以及對(duì)樣本的定義。購(gòu)物性別指的是什么?通過哪些數(shù)據(jù)來(lái)確定購(gòu)物性別，樣本的準(zhǔn)確性，如何驗(yàn)證數(shù)據(jù)的可信度等。

四、購(gòu)物性別的定義

先看下圖，具體的邏輯可從圖中查看。一般來(lái)講，用戶填寫的資料不一定真實(shí)，我們對(duì)他/她的性別數(shù)據(jù)持懷疑態(tài)度，所以，就需要其他數(shù)據(jù)進(jìn)行輔助證明其性別。

訂單數(shù)據(jù)能夠真實(shí)反映用戶的購(gòu)買心態(tài)，預(yù)測(cè)購(gòu)買行為，并且能夠通過購(gòu)買商品的所屬類別，判斷用戶的購(gòu)買傾向，最后得到性別特征類目。不過本文就不展開探討甄別特征類目的區(qū)分方法了。

根據(jù)數(shù)據(jù)結(jié)果，最終，確認(rèn)了購(gòu)物性別的定義。分為：

購(gòu)物性別男：N月購(gòu)買的男性特征類目子下單數(shù)> N月購(gòu)買的女性特征類目子下單數(shù);

購(gòu)物性別女：N月購(gòu)買的男性特征類目子下單數(shù)> N月購(gòu)買的女性特征類目子下單數(shù);

購(gòu)物性別中性：未下單男女特征類目。

N需要具體根據(jù)業(yè)務(wù)場(chǎng)景來(lái)定。

五、建模數(shù)據(jù)準(zhǔn)備過程

本節(jié)是具體的操作過程，模型的實(shí)操階段。一般來(lái)講，不同模型的訓(xùn)練其實(shí)大體雷同。從技術(shù)上來(lái)講，各家算法大多使用spark，不同點(diǎn)是所運(yùn)算的模型都是針對(duì)于場(chǎng)景來(lái)定的。

在全部樣本中，取80%的數(shù)據(jù)用于訓(xùn)練模型;

在全部樣本中，取20%的數(shù)據(jù)用戶數(shù)據(jù)測(cè)試。

這種方式可以更好的根據(jù)數(shù)據(jù)的規(guī)模，提高模型的準(zhǔn)確性。

六、模型效果分析

根據(jù)各類參數(shù)的評(píng)估結(jié)果，以及人工經(jīng)驗(yàn)選定的模型參數(shù)，建立模型。值得注意的是，決策樹的深度不要過深，以防止過擬合的問題：

行業(yè)內(nèi)當(dāng)前采用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和推薦系統(tǒng)中的評(píng)測(cè)指標(biāo)：準(zhǔn)確率(precision)、召回率(Recall)。準(zhǔn)確率是應(yīng)用最廣的數(shù)據(jù)指標(biāo)，也很清晰易懂，以男性為例：

準(zhǔn)確率=命中的男性用戶數(shù)量/所有預(yù)測(cè)男性數(shù)量，一般來(lái)講，準(zhǔn)確率可以評(píng)估模型的質(zhì)量，他是很直觀的數(shù)據(jù)評(píng)價(jià)，但并不是說準(zhǔn)確度越高，算法越好。

召回率=命中的男性用戶數(shù)量/所有男性數(shù)量，反映了被正確判定的正例占總的正例的比重。

模型建立完后，需根據(jù)模型的結(jié)果與預(yù)期的對(duì)比，進(jìn)行調(diào)優(yōu)。

七、最后要說的

購(gòu)物性別定義對(duì)于用戶精準(zhǔn)營(yíng)銷十分重要，疑難雜癥，對(duì)癥下藥，才能出現(xiàn)更好的療效。