tf是什么意思什么叫洗浴tf( 二 ) _意思

四、基础用户画像的怎么来？那基础的用户画像是怎么产生的呢？一般可分以下几种来源：
简单信息提取：基于实际基本事实而产生标签，如注册时间，渠道来源，用户所在地区等。逻辑或公式计算：使用简单的逻辑或公式，对用户的行为进行统计而产生标签，如用户活跃天数，用户消费金额等。算法学习：基于机器学习模型对用户的属性预测产生的标签，如性别，年龄，有车一族等。

文章插图
五、简单举例：通过模型产生基础用户画像国内某公司，在Kaggle举行过一个预测用户年龄和性别的比赛。他们公布了一个用户数据集，数据集中包含了手机上安装的APP列表，手机型号和GPS信息等数据用于模型训练。参赛选手通过这些数据建模，预测用户的性别和年龄。准确度高的获胜。
一个用户的手机里安装的APP，跟他的年龄和性别存在着一定的关联。如：女性用户常用美柚，小红书等APP；而男性用户可能会装更多的游戏。
如下图：

文章插图
这个是有监督学习，橙色部分数据是特征，蓝色部分数据是label 。Label就是我们需要预测的目标。通过大量的数据和算法调优，就可以训练出较为准确的模型。
用训练好的模型，就可以给其他的未知性别和年龄的用户做评分预测。这部分比较简单，就简单举例一下。
六、物品标签物品画像，则是每个物品的一系列标签。物品画像其中一个作用就是可以作为推荐模型中的物品特征。另外一方面，在推荐系统中，物品画像是用户画像的基础：物品画像+用户行为=用户画像。
举个简单的例子，一个用户点击了一系列的阿克苏苹果（物品画像：阿克苏，苹果，阿克苏苹果），这个用户就会被打上阿克苏，苹果和阿克苏苹果的偏好标签。

文章插图
物品画像的产生，不同的内容形式有不同的做法。但大体可分为两类：
人工的方式给物品打标签；机器学习的方式给物品打标签。如在音乐领域，一些音乐平台是通过一组音乐专家对平台的音乐进行打标签后，再对用户进行推荐。这种人工的方式成本比较高，而且依赖于专家的专业程度。另外，不同专家之间的标准可能不一样，需要统一标准或者拉平差异。但是这也是没有办法的办法，有些场景下，物品标签匮乏，不得不依赖与人工打标的方式。
大规模地给物品打标签，大部分还是靠机器学习的方式。如何给物品打标签不是本文重点，这里略过。
七、偏好画像的怎么计算得来？偏好画像如何产生？为了直观简单，直接以图文数据的方式来讲述。假设一个短视频平台有4个用户使用，有4个视频需要被推荐。
其中，4个视频分别为：

文章插图
整理一下，我们可以得到以上4个视频的物品画像：

文章插图
另外，为了简单一点，这里只考虑用户的观看行为，看完一次得分为1 。4个用户的数据分别如下，数字代表观看次数。如下图中，用户A看了视频1一共2次。

文章插图
先说结论，一般地，用户画像的公式为：用户偏好程度 = 行为类型权重值 × 次数 × 时间衰减 × TFIDF值。
行为类型权重值是人为给用户行为的赋值。比如：看完=1，收藏=2，分享=3，购买=4等。我们这里只考虑“看完”这个行为。次数则是行为发生的次数。时间衰减则是按一定的衰减系数，随着时间衰减。一般用牛顿热力学公式来取衰减系数。TFIDF值本来是文本处理领域的算法，用来提取一篇文章中的关键字。这里用来衡量标签的对一个用户的关键程度。下面我们来计算用户A的用户画像和偏好值。
第一步：列一下行为类型权重值，因为我们只考虑观看行为，权重都为1：
第二步：统计用户A的行为次数。用户A看了视频1两次，所以视频1带的标签“金融战争”和“做空”次数都记为2：

文章插图
第三步：计算时间衰减，假设用户A看视频1是两天前的行为，看视频4是今天的行为。衰减按照天来计算，衰减系数等于0.1556，热度计算公式为：热度=1×exp(-0.1556×天数) 。按照这个衰减系数，45天后热度衰减到0.5 。

tf是什么意思 什么叫洗浴tf( 二 )

tf是什么意思什么叫洗浴tf( 二 )