推荐系统（2）

标签：特征处理   个性化   pca   输出   筛选   报告   数据报   冲突   业务   

用户画像就是根据用户的特征对用户的数学建模，可以用许多标签来表示，标签就是特征空间的维度

一、用户画像的作用

1.用户精细化运营

2.商户精细化运营支持

3.个性化

4.大数据报告

5.趋势预测

二。用户画像处理流程

1.明确问题和了解数据

　　*需求和数据的匹配

　　*明确需求

　　　　分类、聚类、推荐和其他

　　*数据的规模和重要特征的覆盖度

. 2.数据预处理

　　*数据集成、数据冗余、数值冲突

　　*数据采样

　　*数据清洗、缺失值处理与噪声数据

3.特征工程的含义

数据和特征决定了机器学习的上限，模型和算法只是逼近这个上限

特征：对所需解决问题有用的属性

特征的提取、选择和构造

　　针对所解决的问题选择最有用的特征集合

　　通过相关系数等方式来计算特征的重要性

　　　　人工筛选

　　　　有些算法输出特性：Random Forest

　　　　维度过多，PCA自动降维

4.特征工程内容

　　特征提取

　　　　业务日志

　　　　WEB公开数据抓取

　　　　第三方合作

　　特征处理

　　　　特征清洗

　　　　特征预处理：值处理、特征选择、特征组合、降维

　　　　商业加工

　　特征监控

　　　　指标：时效性、覆盖率和异常值

　　　　可视化&预警

5.模型与算法

三、用户画像架构

数据采集-------------->数据预处理--------->数据建模------------->数据的展示

推荐系统（2）

标签：特征处理   个性化   pca   输出   筛选   报告   数据报   冲突   业务   

原文地址：http://www.cnblogs.com/feiyumo/p/7391421.html