一：受众定向与用户画像的含义
强调重点：（概念区分）
受众定向：可优化性
用户画像：可解释性
二：：信息传播的阶段
曝光（exposure）
关注(attention)
理解(comprehension)
信息接受(acceptance)
保持（购买行为）(retention)
三：什么是场景
（1）用户当前所处的场合和状态
例如：地铁上，上厕所，开会中，运动中
（2）机器场景分析：
台式机：位置固定，极简单
笔记本：可以移动，但只有工作和娱乐类场景
移动设备：人体器官（具有传感器），几乎所有的场景
如何检测场景：
根据移动多重信息来源和传感器进行检测
例如：检测用户是否处于工作状态
（1）每天上午10点，对用户地理位置进行采用，如果大多数采样都在同一位置，则该位置为用户上班地点
（2）如果没有位置规律，则用户为销售等自营业工作者
（3）检测到用户处于上班地点，则认为其处于工作状态
四：人口属性
（1）由于监测原因：实践中主要使用的是性别、年龄
人口属性定向：
性别检测：（存在准确率）
可以通过购买的商品种类
可以通过语音建模的识别等等
五：完整的示例分析过程
1>了解行业的用户决策逻辑
游戏行业
教育行业
汽车行业
因为受众用户的不同，行为预测也不同。
2>制定标签体系
1.受众定向的标签三分法
u：User： 性别，年龄，收入，行为
c：Context：用户的频道，地域，主题
a：Advertise： 广告主，广告计划，目的
2.标签体系划分
结构化标签体系：
层层划分的
例如:
学校种类:
大学
211
985
一般
中学
全市重点...
小学
非结构化标签体系：
例子：关键词 —— 搜索广告的标签
3.用户的行为怎么打标签：
（1）依据搜索的内容，进行关键字的提取与组合
（2）傍大款：从相关行业的网站巨头里面去搜索标签（用已经成熟的）
3>原始行为的映射
用户行为：（性质不同，而权重不同）
（1）PV（浏览行为）
（2）Search（搜索行为）
（3）Click（点击行为）
绑定相应的标签
4>用户标签权重的模型训练
行为定向数据组织：
来源：用户搜索日志，用户信息日志
以用户ID为key，将各数据进行整合
方法：滑动窗方式（7天为一单位）
时间衰减方式（前一天：*0.9 | 前第二天“： * 0.8 即可）
六：分析实例
1.用户行为：（性质不同，而权重不同）
地位：权重的计算可能需要建模
（1）PV（浏览行为）
（2）Search（搜索行为）
（3）Click（点击行为）
2.算法分析
依据用户行为的相应内容，绑定相应的标签。依据不同权重计算出得分。然后选择相应产品
3.图例（10）
行为定向特征选择过程
4.用例：
比如一个用户需要买鞋，进行了“鞋类”品牌的关键字搜索，并且浏览了相应内容，然后点击了相应商品。
从信息时效性上来说：可能用户在今天会完成购买的动作，那么明天信息及无效了
考虑点：是花费更多时间计算来推荐更符合用户心意的产品 VS 缩短计算成本，降低推荐准确率
选择：一般选择更短的时间，达到准实时的效果
