用户画像概述
用户画像：对同一类用户进行不同维度的刻画，从而提供个性化的服务。
e.g.电商平台的用户画像设计：讲买家进一步细分和具象，如大明、小闲，笨笨。
用户属性：性别、年龄、年收入、兴趣爱好、活跃时间，所在城市等。
数据来源：
1.静态画像：用户注册等基本属性。
2.动态画像：来源于用户行为日志。
仅仅用静态画像来概括用户是不准确的 e.g.某一个商品一定不会被某一年龄段的用户喜欢（过于武断）
个性化推荐：用户的购买习惯、记录用户的李露兰记录，来建立兴趣模型，从而进行推荐
用户的一次购物行为包括：人物、时间、地点、事件等要素；
每一次的购物行为本质上是一次随机事件，可以描述为：【什么用户】，【在什么时间】，【在哪里】，【购买了什么东西】
📌什么用户——涉及用户标签🏷
📌什么时间——间戳（用户行为的发生点）+时间跨度（用户行为的持续时间）
📌在哪里——渠道（便于做推送）
📌购买了什么东西——用户的购物偏好（精准推荐）
用户画像特征：
动态性——用户画像不可能一成不变（每次购物都可能受到随机因素的影响）所以需要设计动态更新机制，更精准的刻画用户。
时空局限性——某时刻的用户画像对该时刻的推荐结果最为有效，距离时间越远推荐结果的精确性越低，参考价值越差；不同应用领域有不同的侧重点：e.g.营销领域——侧重用户消费习惯；e.g.视频推荐领域——侧重用户观影喜好。
搜索引擎——根据【用户输入的搜索关键字】+【已构建的用户画像】猜测用户可能想要的信息，讲将用户最可能需要的信息优先排序
推荐系统
用户画像建模
用户定量画像
用户定性画像
标签与用户定性画像
基于知识的用户定性画像分析
用户定性画像的构建
定性画像知识的存储
定性画像知识的推理
群体用户画像分析
用户画像相似度
定量相似度计算
定性相似度计算
综合相似度计算
用户画像管理
关系型数据库
NoSQL数据库
数据仓库
查询机制
定时更新机制
获取实时用户信息
更新触发条件
更新机制
e.g.视频推荐概述
主流推荐方法的分类
协同过滤的推荐方法
基于内容的推荐方法
基于知识的推荐方法
混合推荐方法
推荐系统的评测方法
视频推荐与用户画像的逻辑关系
