-
英特尔深度学习
：https://software.intel.com/en-us/ai-academy/students/kits/deep-learning-101pytorch https://in.udacity.com/course/deep-learning-pytorch--ud188
数据科学家必须知道的 10
个深度学习架构https://blog.csdn.net/u011808673/article/details/80541630
北邮夺冠D-linknet
http://baijiahao.baidu.com/s?id=1604493613928815729&wfr=spider&for=pc麦克风阵列的语音信号处理； https://zhuanlan.zhihu.com/p/23420891
语言模型技术； https://zhuanlan.zhihu.com/p/23504402
声学模型； https://zhuanlan.zhihu.com/p/23567981
语音识别之解码器技术简介; https://zhuanlan.zhihu.com/p/23648888
用户画像： 通过姓名预测性别：考虑到中文中偏旁具有性别的识别能力（如嬛等女字旁文字），因此可以用 姓名+五笔编码
作为特征输入模型，如女V+罒L+一G+衣E = VLGE
（参：https://mp.weixin.qq.com/s?__biz=MzI2MzM3MzkyMg%3D%3D&mid=2247484433&idx=1&sn=f30a6a3585becc1a500772aaa78fd937&scene=45#wechat_redirect）通过访问网页的正文内容抽取（参eBay案例：https://blog.csdn.net/u013382288/article/details/80385814）
标签间关系
树状关系：尽可能的遵循MECE原则（相互独立、完全穷尽），尤其是一些有关用户分类的，要能覆盖所有用户，但又不交叉。比如：用户活跃度的划分为核心用户、活跃用户、新用户、老用户、流失用户，用户消费能力分为超强、强、中、弱，这样按照给定的规则每个用户都有分到不同的组里（参：https://mp.weixin.qq.com/s?__biz=MzU4NzM2NTQ0Nw==&mid=2247483913&idx=1&sn=2b819b3da396b181895a0527f5bb4da9&chksm=fdec6f21ca9be637357ac5db31f2df8dfd035f19d7dca9a06b26e7914f0df082fa7bbc4103cd&scene=21#wechat_redirect）
网状关系：
标签间关系的识别：简单地如共现，复杂的如标签embedding
二、用户画像实践案例
case1 顺丰用户画像
案例地址：http://100000p.com/article/2c9f60ee5e3d631a015e5e939dd10993
目的：面向C端，做品牌维护和精准营销
数据源：
内部：快递数据、金融数据、电商数据、O2O数据
外部：向第三方购买的数据、自己爬取的数据
会员标签维度：用户ID、基本属性标签、快递类标签、金融类标签、电商类标签、O2O标签
会员画像维度（通过标签的组合实现）：客户价值（基于用户的寄快递行为以及社区行为，如“寄快递少但是出于寄快递网络的核心节点”）、购买力、营销响应、品牌态度、客户忠诚
业务实践效果：无介绍
case2 58同城
案例地址：https://mp.weixin.qq.com/s/pzABJ-uwh2bx7AXBWJDJRQ
目的：
Face API：实时查询标签
离线画像数据：用户统计分析、建模，如搜索、推荐、推送、广告、金融、用户身份识别、安全
Smart 网站：
推送筛选：帮助运营人员选定目标人群
人群分析：以标签为维度，生成报表，方便产品和运营人员使用
数据源：各子产品的日志、简历库、帖子库、用户信息库、商家库、认证信息库等
会员画像维度：人口属性、业务偏好、设备偏好等
case3 友盟超级用户
案例地址：https://mp.weixin.qq.com/s/gjrWS9QTeqMN5Jm4XNOoTg
企业选定自己的“超级用户”，上传超级用户列表。友盟根据用户画像做超级用户的lookalike得到放大后的目标人群，然后对目标人群进行细分、确定营销方案、投放广告触达
case4 电信用户画像用户e9套餐升级营销活动
案例地址：https://blog.csdn.net/mousever/article/details/50189847
背景：某省电信运营商e8套餐（宽带+固话）升级e9（宽带+固话+手机）的主要业务目标为针对e8客户加装电信C网号码并购买手机，升级为e9融合套餐或e9自主套餐用户。即，通过电信的自身的宽带客户资源，进行精准电话营销，促使用户购买手机，从而提升电信在手机市场的占有率。
目标：
找到目标投放人群
目标投放人群细分，设计针对性的营销方案
数据源：电信内部已经有比较完善的数据体系，并且有已经转换的用户数据。因此建立有监督模型即可
过程：
特征选择与合并：
分类器：由于主要需求是指定营销方案，因此采用单棵决策树作为分类器
结论
目标用户群：
用户细分命名：
case5 基于用户画像的腾讯大数据防刷架构
案例地址：http://bbs.qcloud.com/thread-10745-1-1.html
目标：区别刷单用户与普通用户，对于疑似刷单用户采取二次验证的方式检验
用户画像维度：
网络属性：代理IP、VPN IP、网关IP、服务器IP
地域属性：国外IP、IP归属地、高危地区
业务属性：登录腾讯业务、登录的腾讯用户量
恶意属性：DDOS IP、肉鸡IP、腾讯业务作弊IP
case6 美团外卖用户画像实践
案例地址：https://zhuanlan.zhihu.com/p/25731678
目标：
新客运营：新客在哪？偏好如何？消费力如何？
场景运营：公司/家 * 饭点/下午茶/夜宵 * 周末/工作日
流失预测：流失概率标签，以及流失原因分析
case6 用户画像在金融领域应用
目标：银行、保险、证券，找到目标用户；并参考用户画像，设计营销方案
数据源：
社交媒体信息
呼叫中心
垂直论坛：汽车、母婴等
移动轨迹信息：住宅区、消费地区、工作地区等，同时可以作为对用户信息的检验（是否是真实的高收入人群？）
APP使用信息：与运营商、推送SDK公司等合作
用户画像主要维度：
人口属性：能定位到用户是谁的信息。包括姓名、性别、电话号码、邮箱、家庭住址等
信用属性：描述收入和收入潜力情况的信息。包括职业、收入、资产、负债、学历、信用评分等
消费特征：描述消费偏好，用户找到高频和高价值客户。包括差旅人群、境外游人群、旅游人群、餐饮用户、汽车用户、母婴用户、理财人群等
兴趣爱好：用户定向营销活动。包括旅游爱好者、科技发烧友、健身爱好者、奢侈品爱好者等
社交信息：用户的社交媒体评论，用于了解到用户的近期需求，如在哪旅游、是否正要买车
caseN 小案例
宝马广告投放：宝马X1今年刚上市，他们把去年购买X1的用户都上传上来，我们会分析这样的用户在哪些方面是有特性的，比如年龄段、地域分布、收入、偏好。有了这样的分析后，我们可以选择相应的人群，基于历史的偏好、特征，然后再去投放；如果中间我们会发现人群量不够，最初选择10万人可以放大到100万人。最后输出到媒体、RTB等渠道商。做预算，看效果，将效果数据回流，再去迭代，以进一步提高投放的精准率（参：http://www.sohu.com/a/192628425_770765）
餐饮店：
用户画像学生为主：寒暑假为营业淡季，需要调整策略；九月份需要做顾客重召回
用户画像白领为主：价格不敏感；考虑办公室饮食场景；考虑减肥餐以及包月餐等
word2vec :https://blog.csdn.net/xbmatrix/article/details/67102698
优秀传送门
版权声明：转载请注明出处。 https://blog.csdn.net/b285795298/article/details/84235759
猜你喜欢
转载自blog.csdn.net/b285795298/article/details/84235759
今日推荐
周排行