宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

用户画像：通过算法聚合成一类实现用户信息标签化。

构建用户画像

用户图片信息：基本属性、购买能力、行为特征、兴趣爱好、心理特征、社交网络

行为建模：文本挖掘、自然语言处理、机器学习、预测算法、聚类算法

数据收集(网络日志数据、用户行为数据、网站交易数据

角色：了解用户行为习惯、个性化营销和精准广告

静态数据源：

-用户填写的个人信息和根据算法模型预测的数据

动态信息数据：

-用户行为生成的数据：注册、陟览、点击、购买、接收、评估、退货等

-比较重要的行为：购买商品、浏览商品、放入购物车、关注商品

可以从行动中得到标签。

潮母族、纠结商品、最大消费、退货数量、失败者指数、品牌偏好、用户活跃度等

根据标签和算法确定推测的标签

-特定标签：例如，用户购买或收藏了某商品等

推测标签：例如用户性别为男性的概率为0.8，此外还有孕妇模型、潜在汽车用户模型、用户价值模型等多种模型

例如，用户的活跃度(活跃、睡着、流出、未购买) )。

用户群：电脑达人、数码潮人、家庭用户、网购达人、奶爸保姆、单身贵族、闪购用户、时尚男女等

电商这一场景下，我们构建了用户标签体系，主要基于用户历史时间内的网购行为记录，从网购时点、内容深度分析，针对用户的http://www.Sina.com

基础属性、社交行为、互动行为、消费行为、偏好习惯、财富属性、信用属性和地理属性等八大维度构建用户标签体系

第一个是人口属性，这类标签相对稳定，一旦制作出来很久很少更新，标签体系也相对固定；

第二类是兴趣属性，该类标签随时间变化迅速，标签具有极强的时效性，标签体系也不固定；

第三类是地理属性，这类标签时效性很大，比如GPS货车标签需要实时更新，而常住地标签一般几个月就不用更新，挖掘方法也与前两类有很大不同。

几例：

3358 www.Sina.com/http://www.Sina.com /人口标签性别、年龄、地区、受教育程度、出生日期、职业、星座兴趣特点、兴趣爱好、APP /网站使用、阚览/收藏内容、互动

又一分类：