用户画像技术研究
基于用户画像的典型的场景 1： 搜索引擎 在搜索的时候考虑用户的画像标签，返回用户感兴趣的内容。比如同一个关键字“诸葛亮”， 王者荣耀的爱好者搜索的时候应该返回“诸葛亮”相关的内容，比如如何加“铭文”,如何“五杀”, 而历史爱好者搜索的时候，应该返回三国相关的内容。 2： 推荐系统
推荐系统可以根据用户的喜好和特征，也就是用户的画像，推荐相关的内容。比如，给一个
用户定位的画像是美妆达人，那么就应该给她多推送一些面膜之类的东西，而不是一堆零食。
数据来源
用户画像的数据来源主要包括两个方面：
1）属性数据
这部分数据一般是用户的注册信息，也可以是从其他数据中分析得出的，比如生日，住址，爱好等。
2）行为数据
这部分数据一般都是用户的访问日志记录的行为数据，比如常用的一些后端日志数据，
前端埋点数据等等。
通过这两部分数据，就能刻画出用户的画像，其实就是给用户打上一个标签，比如高富帅，白富美。
数据特性
1）在用户的数据中，属性数据一般不会改变，但是行为数据是随时会发生改变的，这部分数据
应该动态的更新到用户的画像上。
2）时间上，比如最近下雨，用户想购买雨伞，如果几天后才捕捉到用户的需求，此时天已经
放晴;另一方面，空间上，用户在不同的领域喜好不同，可能在新闻领域是个军事迷，但是在
网购时，优势一个小清新，因此需要考虑不同空间用户不同的需求场景，刻画对应的画像。
用户画像建模
用户的画像分为定量画像和定性画像，
1）定性画像
是指在小规模的数据中分析出用户的画像，比如问卷调查，访谈等
2）定量画像
是在大规模的数据中分析，比如日志等。
知识工程
需要领域专家配合来做机器智能的分析。
知识工程的大体过程为：
知识的获取-->验证-->表示-->推论-->解释和理由
在用户画像中，就是配合用户和物品的属性，建立对应关系，这部分的对应关系需要知识专家进
行鉴别推理和构建。比如有一些“专家”会把电影分为几类，爱情片，动作片，科幻片，恐怖片等，
这些都是需要领域专家来设定的，而不是靠人工分层分类的。
构建的过程
在构建用户画像时，大致可以按照下面的步骤：
1）构建领域词汇
不同的领域会有不同的词汇，描绘人的，电影的，书籍的词汇都是不同的。这部分参考
同类的其他产品，如果是独创的领域，就需要这个领域资深的“玩家”来定义。
2）确定分类之间的层次
画像也是由层次的，比如电影的里面人分为演员，导演，观众等，需要对标签归类处理
3）定义属性
为不同的画像定义属性，包括对象属性和数值属性，比如在电影的场景中，对象属性
是上映的时间，导演，数值属性是观看量，时长等。
5）定义实例
实例就是最终的画像，是由分类和属性组成的
6）定义约束
这个是描述一个物品的规则，比如电影（名称，类型，时长，导演，主演）等等属性组
成，那么任何一个电影都可以由这种方式来定义。
计算用户画像之间的相似度，参考公式
群体用户画像
用户画像是用来描述目标用户的画像，而群体用户画像则是描述一类人的，比如成熟稳重型，可爱萝莉型。
1）获取用户画像
2）计算用户画像的相似度
3）用户画像聚类
5）群体用户画像生成。
定义用户画像之间的相似度
如上图:
其中wk标识第k个画像的权重，比如在电影里面，用户喜欢的电影类型比重要比电影的时长
重要的多，在计算相似度的时候权重也应该更大一些。
计算相似度有很多种方法：
比如：
1）欧式距离
2）曼哈顿距离
3）夹角余弦
5）皮尔逊相关系数
6）杰卡德距离
每一种都有自己适合的场景。
画像聚类
画像聚类的方式由很多，比如K-means，原理就是随机几个点，看各个点的数据跟哪个点接近，
就归为哪一类。然后不断的调整中心点，达到最终聚合的效果。
用户画像的存储
用户画像有很多种表示方法，比如：
1）关键词法
用一堆的关键词描述画像，这种方式最容易理解
2）评分矩阵法
用二维矩阵的方式，通过评分表示，这种在协同过滤器中很常见
3）向量空间表示法
这种是基于向量的方式描述画像
5）本体表示法
不同的表示方法，对于存储的方式来说，也会不同
一般用户画像像常用的存储引擎有：
1）关系型数据库，通过中间表的方式存储用户与画像之间的关系，优点是查询块，缺点是数据量大的时候扛不住
2）Nosql数据库，常见的就是KV键值数据库，如Redis， 列数据库Hbase，文档数据库
Mongodb 图数据库 neo4j，每种数据库都有自己适合的场景
3）数据仓库 数据仓库是一种面向主题的存储，可以更好的解决领域分析的问题，而且他
保留了数据的时间变化，对于分析历史来说，非常有帮助，但是不适合实时查询。
画像的更新
1）设置更新的条件，比如购买达到1万元，立马升级VIP标识
2）设置固定的时间周期更新画像，比如每天凌晨跑一个更新画像的定时任务
3）从增量的数据中计算画像，然后对比旧的数据，考虑是否更新用户的画像。