用户行为

用户体验不是万能药,不能为了用户体验而用户体验，做用户体验前，先要考虑几个问题： 1、你的目标明确吗？ 用户体验是对用户的尊重，但在此之前应该先尊重自己，不要在背离目标路上一味追求用户体验。 2、你的用户到底是谁？ 用户体验是对用户的尊重，但先搞清楚应该尊重的对象，别弄错了。 比如你们开发了套企业管理软件，但是有人反映用户体验不好，因为他们家的保姆不会用 3、如何改善用户体验？ 用 户体验调研远不应只是简单的你问我答。细节往往藏于用户说、做、想、感觉等各个具体行为之中—— 说 ：传统的市场调研方式，设计一个问卷，问用户喜不喜欢这个产品，或者给用户几种案，问用户喜欢哪一种，这就是说。 做 ：这是比说更好的数据。看用户做什么。甚至不要说，从他的行为已经发现了很多问题。人类学，设计学，心理学都是做这件事。人类学家费晓东，专门在中国的一个农村观察了60年。60年的变化，解放前，解放后，观察某个人的行为过程，他就得到这个人行为演变的规律。这种调研方式最近十年来已经被引进到设计里面去——设计一些场景，让用户去用，然后去看他做些什么。 想 ：用户到底在想什么？他看到一个产品，上面可能功能很多，他可能脑瓜去想我不会用，我不知道怎么用，但是这只是他的想法，没有表达出来。怎么能够了解这种想法呢？让他一边想一边去说。激发他去说。比如为一个网页做调研的时候，就让用户想这个链接认为会到什么地方去

转载 AI科技大本营 最后发布于2019-08-09 19:52:18 阅读数 195 收藏 展开 作者丨gongyouliu 来源 | 大数据与人工智能 导语：本文会从协同过滤思想简介、协同过滤算法原理介绍、离线协同过滤算法的工程实现、近实时协同过滤算法的工程实现、协同过滤算法应用场景、协同过滤算法的优缺点、协同过滤算法落地需要关注的几个问题等7个方面来讲述。希望读者读完本文，可以很好地理解协同过滤的思路、算法原理、工程实现方案，并且具备基于本文的思路自己独立实现一个在真实业务场景中可用的协同过滤推荐系统的能力。 作者在《 推荐系统产品与算法概述 》这篇文章中简单介绍了协同过滤算法。协同过滤算法是在整个推荐系统发展史上比较出名的算法，具备举足轻重的地位，甚至在当今还在大量使用。本篇文章作者会详细讲解协同过滤推荐算法的方方面面，这里所讲的也是作者基于多年推荐系统研究及工程实践经验的基础上总结而成，希望对大家学习协同过滤推荐算法有所帮助，提供一些借鉴。在正式讲解之前，先做一个简单定义。本文用“ 操作过” 这个词来表示用户对标的物的各种操作行为，包括浏览、点击、播放、收藏、评论、点赞、转发、评分等等。 一、协同过滤思想简介 协同过滤，从字面上理解，包括协同和过滤两个操作。所谓协同就是利用群体的行为来做决策(推荐)，生物上有协同进化的说法，通过协同的作用，让群体逐步进化到更佳的状态

引言 这是我阅读《互联网广告算法和系统实践》的笔记，作者王勇睿，在百度阅读上可以购买，书的篇幅很短，一天就能看完。 本书主要介绍了搜索广告算法、非搜索（定向）广告算法和实时竞价广告算法，为读者梳理了广告中的常用概念如CTR、ECPM，一个广告系统如何组成，实践中还会考虑什么问题，没有涉及多的数学和算法模型。本书适合入门，但作为小白，很多内容读完后没有具体的案例消化，理解深度上有所欠缺。我想当具备了一定的实践经验后再来翻阅此书，才能融会贯通。之后的计划是继续阅读刘鹏老师的《计算广告学》。 互联网广告算法和系统实践 第一部分 互联网广告简介 1.1 广告简介 广告是由已确定的出资人通过各种媒介进行的有关产品（商品、服务和观点）的、有偿的、有组织的、综合的、劝服性的非人员的信息传播活动。 传统广告业务包括三方角色：广告主、媒体、普通受众 广告历史 1.2 互联网广告 显示广告、合约广告、定向广告、受众定向技术 担保式投放 竞价广告、广义二阶拍卖GSP、广义一阶拍卖GSP 搜索广告、上下文广告、实时竞价 广告交易平台、需求方平台、提供方平台 计费方式：点击付费CPC、销售付费CPS、千次展现付费CPM 1.3 互联网广告类型 条幅广告 邮件直接营销广告 富媒体广告 视频广告 文字链广告 社交广告 移动端广告 1.4 有效性模型 曝光：位置很重要。 关注：广告创意吸引人，借助算法定向精准投放

本文介绍JavaScript事件相关的知识点，主要包括事件流、事件处理程序、事件对象(event)以及常见事件类型和事件委托等相关内容。 在网页开发涉及的三种基础技术( HTML CSS JavaScript )中，JavaScript主要负责处理页面的 行为 ，而所谓行为大多指的是 交互行为 。 JavaScript和HTML间的交互通过事件来实现 ，换句话来说事件其实就是页面文档或浏览器窗口中发生的特定交互，譬如页面中的按钮标签被点击我们称之为按钮的点击( click )事件，类似的还有页面加载事件、鼠标的移入移除等等。 通常,我们在开发中对事件的操作(处理)主要由两部分组成，即 事件注册 和 事件函数 。我们总是需要先通过特定的方式来给标签添加(注册)事件监听，当事件发生时事件函数将得以调用执行。本文以 能够清晰明确的把事件的传递过程、事件注册的方式、事件对象以及常见的事件类型讲解清楚 为目标。 事件流 事件流 描述的其实是事件内在的传递过程(顺序)。 我们的开发经验是，当我们给某些标签注册(绑定)了事件后，该事件被触发就会执行对应的事件处理函数。这似乎是一个顺理成章的经验，但事件到底是如何传递的呢 ？我们知道在网页中有很多的Node节点，而Node节点之间是复杂的树结构，事件在接收、传递和处理的时候，是按照 目标节点->上层节点->根节点 还是 根节点->下层节点-

数据产生：数据的产生主要体现在单位时间内有新发生记录、变化，且后发生的数据不会影响前面的数据保留。 那么数据产生一般可从不同的角度可分为：从数据的完整度可分为：全量数据、半全量数据、非全量数据；从数据的时效性可分为：实时动态数据、历史静态数据；从数据的价值可分为：有效数据，垃圾数据，可清洗数据；从数据的关联关系上分：可分为关系型数据、非关系型数据、中间型数据。 以目前数据产生的行为来看，某一个数据都无法独立拥有单独或者存在独立的数据特性，数据特性之间至少存在两种以上的共存。这个稍后再说。我们先看看数据产生的过程。 以上是第一种数据产生的方式，下图是第二种处理的方式： 以上就是数据处理的两周方式。而处理的结果就是数据。 可能有人会问在两种方式中一个处理的逻辑怎么会产生多个处理的结果呢？是这样的数据在处理中有不同的处理方式和办法，可能产生各种各样的数据，甚至这些数据都是在某一个时刻同时产生的或者发生的，我们只需要根据自己的业务需求获取对应的数据即可。 在数据产生的过程前中后要注意： 数据产生之前要对数据产生进行规范，划定数据产生的范围和必须字段。 数据产生之中要对数据产生过程规范，划定数据产生的连续性和可用性。 数据产生之后要对数据最终结果进行规范，划定数据的可用结果和存储方式。 至于说数据特性的共存，主要体现在数据对多个数据的兼备性。比如：一个用户乘坐地铁的行为数据

项亮老师的《推荐系统实践》学习笔记​。​ 目录 用户行为数据简介 用户行为分析 用户活跃度和物品流行度的分布 用户活跃度和物品流行度的关系 基于邻域的算法 基于用户的协同过滤算法 基于物品的协同过滤算法 UserCF和ItemCF的比较 隐语义模型 基于图的模型 为了让推荐结果符合用户口味，我们需要深入了解用户。 基于用户行为分析的推荐算法是个性化推荐系统的重要算法，学术界一般将这种类型的算法称为协同过滤算法。顾名思义，协同过滤就是指用户可以齐心协力，通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。 1、用户行为数据简介 用户行为数据在网站上最简单的存在形式就是日志。网站在运行过程中都产生大量原始日志（raw log），并将其存储在文件系统中。很多互联网业务会把多种原始日志按照用户行为汇总成会话日志（session log），其中每个会话表示一次用户行为和对应的服务。 会话日志通常存储在分布式数据仓库中，这些日志记录了用户的各种行为，如在电子商务网站中这些行为主要包括网页浏览、购买、点击、评分和评论等。 用户行为在个性化推荐系统中一般分两种——显性反馈行为（explicit feedback）和隐性反馈行为（implicit feedback）。显性反馈行为包括用户明确表示对物品喜好的行为

回顾网站数据分析历史，从“您是第***位来访用户”到现在百家齐放的专业工具提供商，网站分析已经逐渐发展衍化成一门科学。但面对形态各异的分析数据，很多人仍然困惑于数据的来源，了解数据的收集原理，也许对你解决这些困惑有所帮助。 眼下网站分析数据主要有三种收集方式：Web日志、JavaScript标记和包嗅探器。 1. Web日志 下图是 Web日志收集数据 过程的示意图。 从上图可以看出网站分析数据的收集从网站访问者输入URL向网站服务器发出http请求就开始了。网站服务器接收到请求后会在自己的Log文件中追加一条记录，记录内容包括：远程主机名（或者是IP地址）、登录名、登录全名、发请求的日期、发请求的时间、请求的详细（包括请求的方法、地址、协议）、请求返回的状态、请求文档的大小。随后网站服务器将页面返回到访问者的浏览器内得以展现。 一些专业的工具厂商会有专门的处理服务器对大量的Log数据进行处理，并将处理后的数据存放入自己的数据库中。网站经营人员通过访问分析报表系统查看网站的分析数据。也有一些中小网站主出于成本的考虑不会求助于专业的工具厂商，他们会借助简单的网站日志分析软件完成对Log数据的处理，当然处理后的数据会有一定的局限性。 （版权归 数码林网站分析博客 所有，欢迎转载，但转载请注明出处。） 2. JavaScript标记 下图是 JavaScript标记收集数据 过程的示意图

一、序言 本文从产品经理的角度出发，对产品经理的安全职责、产品驱动安全的内涵、工作内容、工作方法、所需安全资源、以及产品经理的安全工作量进行了分析。希望所有产品经理在没有心理负担的情况下，有目标、有方法、有资源推进产品安全建设。 二、背景 安全是软件产品天然属性的一部分，“无安全不金融”，对于金融软件产品而言，安全尤为重要，因为客户总是能够从各种安全漏洞联想到他的金融资产安全和个人信息安全。以前偶尔会在一些安全沙龙或峰会听见同行吐槽，“信息安全说起来重要、做起来次要、忙起来不要”。吐槽背后的原因很复杂，其中很重要的一点是跟产品经理安全意识淡薄、不清楚如何推进产品安全建设有关，比如不重视产品安全属性、产品安全需求不明确、产品安全资源不充分、产品安全建设无从下手等。本文主要站在产品经理的角度，从产品经理能力维度出发，探讨产品经理如何推动产品的安全性建设。 众所周知，安全性作为软件产品的天然属性，从产品定义与规划角度来看，产品经理对产品安全负有不可推卸的责任，但产品经理如何履行自己的安全职责，业界还没有给出一个清晰可行的行动方案。 目前，软件产品安全需求通常是基于开发人员和安全人员的职业常识提出相应的解决方案，比如目前业内比较通用的敏感信息五要素分析方法： 1 2 3 4 5 姓名 身份证号 电话号码 银行卡信息 联系地址 这种方法简单易行，但往往不能涵盖所有的敏感信息，比如

三、在线广告简史： 阶段一：传统合约广告模式 合约广告的模式是一种担保式投送（Guaranteed Delivery,GD），即保证广告的投放量，确定合同总金额，未完成投放量则实行赔偿方案。它产生于在线广告的初期阶段，是最早的交易模式，那时网络流量多被大型媒体所垄断，因此它们可以将大量流量完整地打包出售，并签订合约，而那些拥有少量流量的中小媒体则往往无权交易，碎片化的流量市场暂未被开拓 产品形态： 传统展示广告（display advertising） 交易模式： 合约广告模式 计费方式： CPT、CPM 缺点 ：其实就是线下广告的投放模式，以合同方式确定广告投放总量和展示单价，交易和投放方式十分传统 阶段二：定向+合约广告阶段 产生原因： 供给方/媒体为了拆分流量，以获得更高的收入，因此开发了受众定向技术。这种方式将大众变为分众，同时也把过去同一份广告卖出两份的钱；最初的受众标签设定属于较粗的粒度，而后也越来越精准 产品形态： 定向广告（targeted advertising），即不再把广告投给所有人，而是面向不同的受众，赋予其不同的用户标签，并投放不同的广告。由此，广告主从广告位的采买，变成了面向受众人群的采买 交易模式： 合约广告模式 计费方式： CPM 技术要求： 其一，受众定向(audience targeting)，要求能运用技术将受众进行精准地标签化；其二，广告投放

原文链接： https://blog.csdn.net/zw0Pi8G5C1x/article/details/83964888 导读：用户画像将产品设计的焦点放在目标用户的动机和行为上，从而避免产品设计人员草率地代表用户。产品设计人员经常不自觉的把自己当作用户代表，根据自己的需求设计产品，导致无法抓住实际用户的需求。往往对产品做了很多功能的升级，用户却觉得体验变差了。 在大数据领域，用户画像的作用远不止于此。用户的行为数据无法直接用于数据分析和模型训练，我们也无法从用户的行为日志中直接获取有用的信息。而将用户的行为数据标签化以后，我们对用户就有了一个直观的认识。 同时计算机也能够理解用户，将用户的行为信息用于个性化推荐、个性化搜索、广告精准投放和智能营销等领域。 作者：马海平 于俊 吕昕 向海 本文摘编自《Spark机器学习进阶实战》，如需转载请联系我们 01 概述 用户画像的核心工作就是给用户打标签，标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、兴趣等。这些标签集合就能抽象出一个用户的信息全貌，如图10-1所示是某个用户的标签集合，每个标签分别描述了该用户的一个维度，各个维度之间相互联系，共同构成对用户的一个整体描述。 ▲图10-1 用户标签集合 02 用户画像流程 1. 整体流程 我们对构建用户画像的方法进行总结归纳，发现用户画像的构建一般可以分为目标分析