阿里巴巴大数据之路读书笔记——用户画像的定义

Posted 2021-09-11 manor的大数据奋斗之路

用户画像
在阿里巴巴旗下的淘宝网、虾米音乐上都不乏个性化推荐场景，淘
宝、天猫平台上的众多商家则需要通过用户调研和产品研发来把握产品
的目标人群和人群偏好，从而对用户投其所好。对用户有深刻的理解是
网站推荐、企业经营制胜的重要 环。在传统企业中，获取用户的反馈
信息耗时长、结果缺失，是个难关。然而 随着大数据热潮的兴起，快
速捕捉海量用户行为并精确分析人群偏好等商业信息已经成为可能。作
为个性化技术的重要基础，相比于传统企业的购物篮分析、问卷调查，
在用户 画像的塑造上具备技术的天然优势。
阿里全域数据提供了足够的数据基础，正是基于用户网购、搜索和
娱乐影音等行为的数据洞察，可以利用数据分析辅以算法的视角对用户
进行 360 全方位的特征刻画。那么，究竟什么是用户画像？通俗地讲，
用户画像即是为用户打上各种各样的标签，如年龄、性别、职业、商
品牌偏好、商品类别偏好等。这些标签的数目越丰 ，标签越细化，对
用户的刻画就越精准。例如，分析某用户为女性，可能仅仅是将与女
相关的服装、个人护理等商品作为推荐结果反馈给该用 户：但若根据用
户以往的浏览、交易等行为挖掘出进一步的信息，如用户的地理信息为
海南，买过某几类品牌的服装，则可以将薄款的、品牌风格相似的服装
作为推荐结果。
般而言，用户画像可以分为基础属性、购物偏好、 社交关系、财
富属性等几大类。对于刻画淘宝网购用户，则应侧重于他们在网购上的
行为偏好。下面以用户女装风格偏好为例，讲解该用户标签是如何基于
全域数据产出的。
购买过淘宝商品的读者对商品详情页都不会陌生，一件商品的关键
特征除了反映在商品图片和详情页中以外，主要可以采集的信息是商品
的标题以及参数描述。女装有哪些风格？首先需要将女装行业下的商品
标题文本提取出来，对其进行分词，得到庞大的女装描绘词库。然而，
淘宝商品的标题由卖家个人撰写，并不能保证其中的词语都与商品风格
描述相关。因此，对于所得到的女装描绘词库，首先，需要根据词语权
重去除无效的停用词，方法如计算 TF-IDF 值。其次，在女装商品的参
数描述中，如果已经包含了一种商品风格，例如“通勤”“韩版”等常
见风格，那么通过计算词库中词语与参数描述中风格词的相似度，可以
过滤得到女装风格词库，利用无监督机器学习如 LDA 等方法可以计算
种风格所包含的词汇及这些词汇的重要性。那么 买家偏好什么风
格昵？在淘宝网上，买家拥有浏览、搜索、点击、收藏、加购物车以
交易等多种行为，针对每种行为赋予不同的行为强度（比如浏览行为强
度弱于交易行为），再考虑该商品的风格元素组成，就能够通过合理的
方式获知买家对该风格的偏好程度了。
对于这样的商品偏好计算，数据挖掘人员需要仔细分析用户偏好的
商品的类型、品牌、风格元素、下单时间，这 系列行为可以构成复杂
的行为模块。同理，利用机器学习算法，可以从用 户行为中推测其身份，
例如男生和女生、老年与青年偏好的商品和行为方式存在 别，根据
定的用户标记，最后能够预测出用户的基础身份信息。