什么是推荐系统的用户画像

用户画像又叫做User Profile，主要用于营销领域，营销人员需要对营销的客户有更精确的认识，从而能够更有针对地对客户和市场制定营销方案。当传统的营销领域，是以销售人员为第一人称视角去看待客户的，也就是用户画像是为销售人员服务的。这种用户画像一般会出现在高大上的 PPT 中：用标签云的方式绘制一个人的形状，或者使用人口统计学属性来表达一个人物形象，以此来表达“用户画像”这个概念。

而推荐系统的用户画像应该给机器看，而不是给人看的。推荐系统一般是通过对用户和物品之间的匹配评分，也就是预测用户评分或者偏好，从而建立起用户（User）和物品（item）的连接的。所以推荐系统在对匹配评分前，则首先需要对用户和物品向量化，这样才能进行计算。用户向量化的结果就是User Profile，所以用户画像不是推荐系统的目的，而是在构建推荐系统的过程中产生的一个关键环节的副产品。

用户画像的关键因素

• 维度：每个维度的名称都是可理解的
• 量化：这里的量化应该是客观的，也就是说在实际生产环境中，用户画像每个维度的量化，应该交给机器，而且以目标为导向，以推荐效果好坏来反向优化出用户画像才有意义。
• 效果：用户画像只是推荐系统的副产品，所以要根据推荐效果（排序好坏、召回覆盖等指标）来指导用户画像的量化。

用户画像构建的方法

• 查户口：直接使用用户的原始数据作为用户画像的内容，如用户的基本信息、购买历史，除了清洗数据之外，数据本身并没有做任何抽象和归纳。
• 推数据：对用户的历史数据进行描述统计分析，使用统计数据作为用户画像的内容，如用户最近一周消费金额等。
• 黑盒子：使用机器学习方法，通过对用户的原始数据进行学习，得到人类无法直观理解的稠密向量，但实际上这种方法在推荐系统的作用最大。如使用潜语义模型构建用户阅读兴趣、使用矩阵分解得到用户和物品的隐语义因子等，这一类用户画像数据通常是不可解释，不能直接被人看懂。