一.用户画像
1.什么是用户画像
根据用户目标，行为， 观点的差异，抽出典型特征进行区别，即打标签
2.建立用户画像作用
例如：啤酒与尿布的故事
推荐系统 猜你喜欢
精准营销 锁定用户 广告投放
3.建立用户画像的数据
数据：静态和动态数据
静态：性别 地域 职业 消费等级
动态：浏览网页 搜索商品 发表评论
4.一般步骤
数据预处理
特征选择
建模预测
待补充代码
二.推荐系统
1.协同过滤
（1）基于用户的协同过滤
确定其他用户是否跟自己相似，将邻居们的喜好组织成一个有序的目录，从而方便根据阈值挑选
步骤
收集用户偏好
找到相似的用户
计算相似的（欧氏距离，pearson相关系数 ，余弦相似度 ）
根据相似的进行推荐（固定数量的邻居或者基于相似度门槛的邻居（比较好））
基于用户的协同过滤
目标：用户评分矩阵一般比较稀疏，推断矩阵中为0的值
存在问题
新用户没有任何信息，无法计算相似度
对于一个物品邻居没打分，那么该物品永远不会被推荐
改进
考虑共同打分物品的数目 ，归一化
为啥不流行
稀疏问题 ，数百万客户时计算量大 ，人是善变的
（2）基于物品的协同过滤
计算性能高，用户数量远大于物品数量，物品不善变
用户冷启动方式有：
引导用户表达属性，推荐排行榜，根据用户注册属性
协同过滤的例子：
基于用户的推荐 ：实时新闻
基于物品的推荐 ：图书 电子商务 电影
2.隐语义模型
用户和物品有隐含的联系，将用户和物品通过中介隐含因子联系起来
将用户对物品的评分矩阵分解成两个矩阵：一个是用户对隐藏因子矩阵，一个是隐藏因子对物品的矩阵
正负样本的选取
正样本选取：有评分的
负样本选取：热门但用户没有行为
隐语义模型参数矩阵
隐特征个数，通常F=100
学习率 不要太大
正则化参数
正负样本比例
问题：
实时推荐比较难
指标：
准确率 rmse
召回率 给他推荐了这么多之后，有哪些是推荐对的
覆盖率
多样性
广告收益