用户画像是当前大数据领域的一种典型应用,精确有效的用户画像,依赖于从大量的数据中提取正确的特征,这需要一个厉害的画像方法论，正确的数据处理流程，以及强大的数据管理系统作为支撑。
本文档讲从用户画像基本概念、理论、方法、流程、案例等多个方面进行用户画像的介绍。
本文档讲从用户画像基本概念、理论、方法、流程、案例等多个方面进行用户画像的介绍。
2024/9/14 21:02:23
8.81MB
1
基于java版本的flink基本使用操作和用户画像项目实战,demo含有flink+kafka+hadop
2024/9/11 11:12:52
161KB
1
准确了解用户对视频热度的选择（PP）的差异性对丰富的用户画像，提高个性化服务精确度和优化产品提供方收益等方面大有替代益。
目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。
基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF）的算法来预测用户对视频热度的替代。
具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；
大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。
实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。
越稀疏的情况下，这种优势越明显。
此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。
基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF）的算法来预测用户对视频热度的替代。
具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；
大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。
实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。
越稀疏的情况下，这种优势越明显。
此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
2024/8/10 16:42:34
224KB
1
Python练习项目目标编写Python微博爬虫数据来源微博列表请求分析应答报文分析获取微博正文微博正文文本提取获取多页微博反爬虫机制应对处理爬虫完整代码词云图生成成果展示目标用爬虫程序抓取目标用户人民日报的微博文本，通过分析词频，生成直观的词云图。
编写Python微博爬虫注意：微博的接口可能会发生变化，所以请不要盲目照抄，建议按照下述流程独立分析。
数据来源微博移动版网页（点此跳转）内容简洁，便于分析，因此选用移动版网页作为爬取对象。
微博列表请求分析打开目标用户的移动版微博主页：人民日报注意：此处需要退出微博登录来保证请求内容的普适性。
F12打开开发者工具，这里使用的是谷
编写Python微博爬虫注意：微博的接口可能会发生变化，所以请不要盲目照抄，建议按照下述流程独立分析。
数据来源微博移动版网页（点此跳转）内容简洁，便于分析，因此选用移动版网页作为爬取对象。
微博列表请求分析打开目标用户的移动版微博主页：人民日报注意：此处需要退出微博登录来保证请求内容的普适性。
F12打开开发者工具，这里使用的是谷
2024/7/16 20:52:29
218KB
1
用户画像方法论和工程化解决方案高清pdf资源，从零开始构建属于自己的用户画像项目，包括构建理论知识和具体实际操作。
2024/1/27 19:40:41
14.75MB
1
抖音DAU超4亿，较去年同期的2.5亿，增长了60%。
抖音与头条的重合度为32.1%，重合用户占抖音的42.2%。
抖音与西瓜的重合度为24.6%,重合用户占抖音的29.5%。
抖音10-19次占比领先，30分钟以上时长占比提高到38%。
抖音整体人群画像，男女较均衡，19-30岁TGI高，新一线、三线及以下城市用户TGI高。
抖音省份/城市TOP10分布，广东、河南、山东省占比高，郑州、西安、昆明市偏好度高。
抖音男女人群画像，男性19-24岁、41-45岁的用户偏好度高，女性中19-30岁用户偏好度高。
抖音高低线城市人群画像，高线城市中19-30岁的用户偏好度高，低线城市中19-35岁用户偏好度高。
抖音不同年龄段人群画像，95后中男性占比略高、且TGI高；
90后中女性TGI高。
抖音不同年龄段人群画像，85后中女性TGI高，低线城市占比超6成；
80后中男性占比高、TGI高。
抖音用户偏好视频类型，演绎、生活、美食类视频播放量较高，观看情感、文化、影视类视频增长较快。
男性用户对军事、游戏、汽车偏好度较高，女性用户对美妆、母婴、穿搭偏好度高。
00后对游戏、电子产品、时尚穿搭类视频偏好度高。
95后对游戏、电子产品、穿搭类视频偏好度高。
90后对影视、母婴、美食类视频偏好度高。
80后对汽车、母婴、美食类视频偏好度高。
抖音与头条的重合度为32.1%，重合用户占抖音的42.2%。
抖音与西瓜的重合度为24.6%,重合用户占抖音的29.5%。
抖音10-19次占比领先，30分钟以上时长占比提高到38%。
抖音整体人群画像，男女较均衡，19-30岁TGI高，新一线、三线及以下城市用户TGI高。
抖音省份/城市TOP10分布，广东、河南、山东省占比高，郑州、西安、昆明市偏好度高。
抖音男女人群画像，男性19-24岁、41-45岁的用户偏好度高，女性中19-30岁用户偏好度高。
抖音高低线城市人群画像，高线城市中19-30岁的用户偏好度高，低线城市中19-35岁用户偏好度高。
抖音不同年龄段人群画像，95后中男性占比略高、且TGI高；
90后中女性TGI高。
抖音不同年龄段人群画像，85后中女性TGI高，低线城市占比超6成；
80后中男性占比高、TGI高。
抖音用户偏好视频类型，演绎、生活、美食类视频播放量较高，观看情感、文化、影视类视频增长较快。
男性用户对军事、游戏、汽车偏好度较高，女性用户对美妆、母婴、穿搭偏好度高。
00后对游戏、电子产品、时尚穿搭类视频偏好度高。
95后对游戏、电子产品、穿搭类视频偏好度高。
90后对影视、母婴、美食类视频偏好度高。
80后对汽车、母婴、美食类视频偏好度高。
2023/11/3 3:52:28
6.72MB
1
大数据在网易内部的应用丰富多彩，在《让机器读懂用户–大数据中的用户画像》一文中，网易工程师对用户画像进行了较为系统的介绍，并提到用户画像的一个重要作用在于个性化推荐。
但企业怎样才能正确认识和利用推荐系统来拓展业务？本文对推荐的本质和实现思路进行了深入的探讨，并介绍了网易严选的推荐系统实践，让您充分领略个性化推荐的魅力。
有资料称亚马逊的推荐系统带来的GMV占其全站总量的20%-30%。
这个数据会让人直觉地认为，电商网站只要一上好的推荐系统，就会带来相当高的GMV提升。
甚至有产品会问：我们的推荐系统GMV占全站多少？为什么亚马逊能做到30%而我们做不到？想象一下，亚马逊把推荐系统的位置全换成游戏广
但企业怎样才能正确认识和利用推荐系统来拓展业务？本文对推荐的本质和实现思路进行了深入的探讨，并介绍了网易严选的推荐系统实践，让您充分领略个性化推荐的魅力。
有资料称亚马逊的推荐系统带来的GMV占其全站总量的20%-30%。
这个数据会让人直觉地认为，电商网站只要一上好的推荐系统，就会带来相当高的GMV提升。
甚至有产品会问：我们的推荐系统GMV占全站多少？为什么亚马逊能做到30%而我们做不到？想象一下，亚马逊把推荐系统的位置全换成游戏广
2023/9/9 20:26:25
589KB
1
本文来自简书，介绍了领域驱动的微服务架构设计工作坊的详细步骤，包括产品价值、命令风暴、聚合以及问题域和解决方案域等。
领域驱动的微服务架构设计工作坊，能使软件开发团队所有成员在短时间内，迅速就新产品或遗留系统的价值、用户画像、关键场景、聚合达成一致，以便让团队快速识别软件产品的问题域和解决方案域，发现微服务之间的API接口契约，并据此拆分微服务（或模块）和团队，来开发新产品或重构遗留系统。
对于不打算实践微服务的团队拆分模块也有参考意义。
1）召集所有相关领域专家和开发团队成员（包括：业务分析、开发、测试、DBA等）参加工作坊，准备大白纸、6种颜色（深黄-DomainEvent、深蓝-Command
领域驱动的微服务架构设计工作坊，能使软件开发团队所有成员在短时间内，迅速就新产品或遗留系统的价值、用户画像、关键场景、聚合达成一致，以便让团队快速识别软件产品的问题域和解决方案域，发现微服务之间的API接口契约，并据此拆分微服务（或模块）和团队，来开发新产品或重构遗留系统。
对于不打算实践微服务的团队拆分模块也有参考意义。
1）召集所有相关领域专家和开发团队成员（包括：业务分析、开发、测试、DBA等）参加工作坊，准备大白纸、6种颜色（深黄-DomainEvent、深蓝-Command
2023/9/7 16:14:22
1.97MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB