用戶的業(yè)務(wù)偏好分析應(yīng)用模型目錄1業(yè)務(wù)偏好應(yīng)用模型研究的需求如何根據(jù)客戶的數(shù)據(jù)業(yè)務(wù)行為、基礎(chǔ)畫像、互聯(lián)網(wǎng)行為，研究客戶的業(yè)務(wù)偏好以及內(nèi)容、時間等偏好，針對當(dāng)前數(shù)據(jù)業(yè)務(wù)沉默客戶、潛在客戶開展激活與推薦。研究業(yè)務(wù)偏好應(yīng)用模型的意義以用戶為導(dǎo)向，滿足用戶個性化需求，比傳統(tǒng)的大眾推薦效果更好。以真實數(shù)據(jù)為依據(jù)進行分析，實現(xiàn)對用戶的精準(zhǔn)定位和精確推薦。有利于節(jié)約成本、提高利潤水平，保留和吸引更多用戶。背景意義2基于結(jié)構(gòu)化數(shù)據(jù)的偏好分析模型通過用戶的月基礎(chǔ)畫像信息自動對用戶分群生成用戶標(biāo)簽。在每個用戶群內(nèi)，通過用戶的業(yè)務(wù)使用行為做內(nèi)容關(guān)聯(lián)分析針對每類用戶推薦不同的內(nèi)容。用戶基礎(chǔ)畫像數(shù)據(jù)用戶使用行為數(shù)據(jù)用戶分群內(nèi)容推薦商務(wù)人士上網(wǎng)一族……用戶標(biāo)簽小喬布斯精彩演說概念車竟水上飛馳……視頻名稱3輸入數(shù)據(jù)用戶基礎(chǔ)畫像數(shù)據(jù)業(yè)務(wù)使用行為數(shù)據(jù)以手機視頻業(yè)務(wù)為例手機號碼收看過的視頻內(nèi)容ID1視頻內(nèi)容ID2視頻內(nèi)容ID3…頻內(nèi)容ID1視頻內(nèi)容ID2視頻內(nèi)容ID3……基本信息行為信息費用信息語音使用行為短信使用行為GPRS使用行為WLAN使用行為4業(yè)務(wù)偏好計算用戶分群：數(shù)據(jù)變換、歸一化：解決各個特征的計量單位、大小范圍差異大的問題。K-means聚類：使用基礎(chǔ)畫像信息自動聚出8個類型不同的用戶群。5業(yè)務(wù)偏好計算（1）高資費人群：該類人群特征是絕大部分?jǐn)?shù)值均大于平均值，即消費水平高于平均水平，特別是總費用是各類人群中最高的。（2）標(biāo)準(zhǔn)用戶群：該類人群特征是絕大部分?jǐn)?shù)值與平均值持平或低于平均值。值得一提的是，雖然GPRS套餐費較高，但使用時能嚴(yán)格控制流量，使流量不超過標(biāo)準(zhǔn)套餐的額度，不產(chǎn)生額外的GPRS通信費。（3）低資費人群：該類人群特征是通話時長、短信量、上網(wǎng)流量均低于平均水平，特別是總費用是各類人群中最低的。（4）上網(wǎng)發(fā)燒友：該類人群特征是上網(wǎng)的流量和費用超高，同時通話等傳統(tǒng)業(yè)務(wù)量少。（5）上網(wǎng)一族：該類人群特征是上網(wǎng)流量經(jīng)常超出GPRS套餐額度，導(dǎo)致GPRS通信費超高。與上網(wǎng)發(fā)燒友相比，通話等傳統(tǒng)業(yè)務(wù)使用顯得更活躍。（6）理性上網(wǎng)群：該類人群特征是訂閱GPRS套餐較為理性，套餐費高于平均值，屬于喜愛上網(wǎng)的上群。同時，GPRS套餐外產(chǎn)生的額外費用幾乎沒有。（7）商務(wù)人士：該類人群特征是套餐月租費、漫游通話費、無線上網(wǎng)流量在各類人群中最高，符合商務(wù)人士出差、經(jīng)常無線上網(wǎng)的特點。（8）通話達人：該類人群特征是語音業(yè)務(wù)套餐費顯著高于其他各個用戶群。另外，有了語音業(yè)務(wù)套餐，本地通話仍很頻繁。6基于文本的內(nèi)容過濾推薦模型功能根據(jù)用戶訪問過的項集的文本主題特征，向其推薦可能感興趣的新內(nèi)容適用范圍業(yè)務(wù)產(chǎn)品、互聯(lián)網(wǎng)內(nèi)容資訊、廣告等內(nèi)容推薦，要求能夠獲得項集的文本特征描述模型輸入有歷史訪問行為的目標(biāo)用戶u、該用戶訪問過的內(nèi)容項（頁面、文章、書籍）集合Iu及集合中元素的關(guān)鍵詞描述、該用戶未訪問過的內(nèi)容項集合RIu以及集合中元素的關(guān)鍵詞描述模型輸出目標(biāo)用戶u可能喜歡的內(nèi)容項Top-N列表出于效率考慮，用戶數(shù)據(jù)分析平臺以每個用戶訪問過的項集的文本特征分別建立該用戶的Profile并按日更新，然后通過比對Profile和推薦候選項集的文本特征來實現(xiàn)內(nèi)容過濾推薦。相比于傳統(tǒng)算法，主要進行了如下改進：a.分層多粒度的標(biāo)簽體系。用戶偏好特征按照大類-子類-關(guān)鍵詞的方式進行組織，能夠適應(yīng)不同的營銷場景需求。例如，進行手機閱讀推薦時主要使用“閱讀”類的標(biāo)簽，進行游戲推薦時主要使用“游戲”類的標(biāo)簽；b.潛在語義分析。解決不同語境下的多義詞問題。7基于文本的內(nèi)容過濾推薦模型用戶A用戶B用戶閱讀的文章雅虎重組自救，勝算幾何？正文……家用熱銷2012款新車行情調(diào)查正文…………Profile數(shù)據(jù)[IT/互聯(lián)網(wǎng)：德克爾_0.227451][汽車：經(jīng)濟型_0.160784][IT/互聯(lián)網(wǎng)：楊致遠_0.454902][汽車：省油_23.470320][IT/互聯(lián)網(wǎng)：總裁_0.5681205][汽車：熱銷_0.176471]……推薦的文章雅虎欲撤換楊致遠新一輪裁員不可避雅虎董事會欲撤換楊致遠新一輪裁員雅虎股票跌回2月初微軟提出收購前價新寶來現(xiàn)金優(yōu)惠6000元店內(nèi)現(xiàn)車供應(yīng)低油耗對抗高油價5款小排量增壓車行情六款配自動空調(diào)時尚小車推薦示例8基于文本的內(nèi)容過濾推薦模型對于在某一特定文件里的詞語

來說，它的重要性可表示為：

是該詞在文件

中的出現(xiàn)次數(shù)，而分母則是在文件

中所有字詞的出現(xiàn)次數(shù)之和。逆向文件頻率IDF則計算一個詞語普遍重要性。某一特定詞語的IDF，可以由總文件數(shù)目除以包含該詞語之文件的數(shù)目，再對數(shù)得到。則一個詞語的權(quán)重為：根據(jù)用戶訪問過的文件，用向量wc=(wc1,wc2,...,