用户画像分类-信息推荐系统

从不同的角度可以对用户画像进行不同程度的划分。用户画像通常是结合定性和定量分析展开描述的，因此用户画像可以由此分为定性画像和定量画像。定性画像通常是通过访谈的方法来建立用户画像，其优点在于实现过程较为简单，不需要过多的专业人员，但由于缺少数据支撑和验证，其劣势也相对明显。而定量画像通常事先收集用户的详细数据，然后经过统计、聚类分类等方法来进行用户画像的构建，其优势在于有了用户数据的支持佐证，用户画像构建过程更加科学，但工作量相对定性画像较大，成本也较高。在实际的画像构建过程中，仅仅通过定量或定性的方式是无法全面、精准地刻画用户画像的，需要将定性和定量的方式相结合，才能构建出精准度更高的用户画像。需要指出的是，在定量画像的建模过程中用户画像的颗粒度是我们重点考虑的内容。关于用户画像应该如何细化，通常画像的颗粒度越小，用户画像的描述就越精确，以此构建的用户模型也就越准确，可以有效提高推荐系统的精确性。同时画像的颗粒度不能过小，是因为颗粒度越小则所需的用户个人数据就越多，这样不仅会大大提高用户建模的成本，也会导致用户画像的普适性降低。因此，用户画像的颗粒度需要依托于应用场景和用户需求的实时动态调整。

从画像是否用于进行用户行为预测角度考虑，用户画像还可以分为两大类，第一类是统计型画像，统计型画像是基于用户的统计数据来判断用户的兴趣偏好，这类标签无关乎正确率，通常需要在应用的基础上进行评估，不需要训练样本集。例如，用户在网站浏览商品的次数超过一定标准，那么我们就可以认为他对该商品较为感兴趣。实际上，在日常生活场景中大多的购物网站系统都是基于统计型画像的。第二类是预测型画像，即通过挖掘用户的行为特征来对用户行为进行预测，进而主动为用户提供相应的推荐服务。例如各大银行等信用平台就通过用户历史数据进行建模，预测用户的信用指数，识别存在信用风险的用户群体与潜在客户群体。(www.xing528.com)

针对画像的构建对象是否为单一用户，可以将用户画像分为个人用户画像和群体用户画像。个人用户画像的研究对象是某场景下的一个具体用户，研究者通过对某具体领域的单一用户挖掘分析其多维度的用户信息，抽取相应的特征属性、提炼出用户标签从而构建用户的个人画像。该画像不仅可以全面描述单个用户的用户特征，反映出用户的行为、兴趣和偏好等特点，而且能够帮助我们深入全面地了解并追踪用户需求，在此基础上结合相关技术以实现个性化搜索、推荐和用户行为预测等功能。而群体用户画像比单一的用户画像可以更好地反映一个群体的内在特征，有利于具体场景下针对群体性质的研究进一步开展。在群体用户画像的研究中，研究对象是某场景下的特定用户群体。通过从群体用户的用户数据中抽取用户特征，然后对具有相似用户特征的用户进行聚类，构建不同类型的用户群体画像。群体用户画像的构建与实现不仅能够帮助了解群体行为动态，追踪群体用户的潜在行为，尤其是能够促进网络舆情的有效治理；而且对于群体用户画像中的群体行为特征规律的探索有助于实现进一步的决策支持，能够辅助企业优化产品设计，提升用户体验。