论文笔记 | 用户画像

移动互联时代已经到来，广告营销在社交媒体中展现出蓬勃的生命力，信息流广告正是这样一种以社交媒体平台为载体，将推广内容隐藏于自然信息流中，从而传递品牌信息的一种新兴广告形式。

《社交媒体信息流广告的场景匹配研究》周子玉

用户画像是场景匹配在社交媒体信息流广告分发中的一种应用。

1 背景

随着2019年5G正式投入商用，运营商迎来新的收入增长点。中国电信副总经理刘桂清在2021年中期业绩说明会上表示：“5G收入的增长成为上半年整体收入的重要拉力，行业应用是当前5G发展的热点”，在5G赋能和云改数转战略的引领下，运营商不断开辟新赛道，在云计算、大数据、物联网等领域不断发力，打造自身发展的“第二条曲线”；另一方面，运营商在内部推行云网融合、云化改造，为产业数字化奠定坚实底座。在数字化转型的口号下，运营商积极探索移动互联网时代下的新型营销方式。

信息流广告是一种以社交媒体平台为载体，将推广内容隐藏于自然信息流中，从而传递品牌信息的一种新兴广告形式[1]。和传统的场景营销相比，信息流广告能在“把合适的信息推送给需要的目标受众”这一方面做得更好。其原理是：通过大数据洞察生成用户画像，同时借助智能算法优化推荐和实时的渠道数据反馈、实现智能化的场景应对和动态调整，最终与用户建立起更深层次的情感沟通。大数据洞察能够使广告投放从依靠人工劳动和以既往经验和想法作为驱动，向依靠数据和技术驱动的科学运作模式转变。与粗放式的传统外呼营销互为补充，大数据用户画像能够确立更加精细的市场切分，从而做到精确定位、场景化推送，实现从线上到线下的流量转化，实现精准营销。

2 国内外研究现状及研究意义

用户画像（Persona）的概念最早由交互设计之父Alan Cooper提出，它是真实用户的虚拟映射，是建立在用户社会属性、生活习惯和消费行为等一系列真实数据上从真实用户模型[2]。构建用户画像的核心工作是给用户“贴标签”，即通过对大量多维度用户数据进行分析和挖掘，提炼出用户特征属性的过程。按照研究领域划分，用户特征属性可以分为三类：基本属性、领域属性和特定属性[3]。基本属性是一种先天性属性，描述了用户基于人口学的社会属性，如性别、年龄、籍贯等；领域属性是可以根据具体领域进行泛化的用户属性，主要分为行为属性和兴趣属性；特定属性是基于具体研究问题提炼的用户属性，具有针对性。领域属性和特定属性均属于后天属性。

常见的用户画像模型有四种：基于社会调查的、基于行为的、基于兴趣的和基于本体的。其中，基于行为的用户画像根据用户线上和线下的活动来提炼用户特征，如用户在上网过程中的访问记录、关注偏好，或日常生活中的出行选择、消费习惯、社交方式等等。此类用户画像的构建流程一般为需求分析、数据采集、用户属性选择、数据挖掘、画像生成。

2.1 数据采集

主流的数据采集方法主要有四种：访问现有数据库、社会调查方法、数据爬取、人工采集。

2.2 数据挖掘

在数据挖掘阶段主要的工作是对所分析的问题进行用户建模与挖掘，该阶段常用数理统计、数据挖掘以及机器学习等方法，其中主要包括聚类、分类、LDA模型、集成学习、神经网络、向量空间模型和粒计算等等。张炎亮等研究人员使用K-Means算法进行用户聚类，融合聚类结果采用KNN分类算法进行产品个性化推荐[4]。RUAS等研究人员根据Facebook用户的交互记录和用户交互网络的特征，使用K-Means,SOM和DBSCAN聚类算法实验，对在社交网络中发现的用户画像进行分析，发现了三种不同的群体画像：查看者、参与者和内容生产者[5]。

2.3 画像生成与可视化

通过对数据挖掘结果赋予语义化说明，即可得到用户的画像，可视化是对用户画像的直观展示，主要方法有：标签云（词云）、统计图表、个性化图形和可视化综合面板等。余明华等人提出文本型数据和画像标签可以由图标图形很好呈现，结构化数据可以由几何图形较好展示，如柱状图、茎叶图、箱线图、饼图等。

李飞提出全面的客户画像构成要素应包括“人物头像+属性特征+动机文字+态度文字+行为文字+其他诸多要素文字”等，坐标型、人体型等图形也可以丰富画像可视化方式[6]。国外研究者也同样采取标签云（词云）[7]、统计图表[8]、自定义图形（人物头像和特征文字集合）[9,10]等方式进行画像可视化。

1. 周子玉. 社交媒体信息流广告的场景匹配研究[D].河北大学,2021.
2. 李曦,孙海波.浅谈用户画像在IPTV运营中的应用[J].广播电视信息,2021,28(11):87-89.
3. 李锐.用户画像研究述评[J].科技与创新,2021,(23):4-9+12.
4. 张炎亮,张超,李静.基于动态用户画像标签的KNN分类推荐算法研究[J].情报科学,2020,38(08):11-15.DOI:10.13833/j.issn.1007-7634.2020.08.002.
5. Pedro Henrique B. Ruas et al. Identification and characterisation of Facebook user profiles considering interaction aspects[J]. Behaviour & Information Technology, 2019, 38(8) : 858-872.
6. 李飞.全渠道客户旅程体验图——基于用户画像、客户体验图和客户旅程图的整合研究[J].技术经济,2019,38(05):46-56.
7. DE CAMPOS L M, FERNÁNDEZ-LUNA J M, HUETE J F, et al. Automatic construction of multi-faceted user profiles using text clustering and its application to expert recommendation and filtering problems[J]. Knowledgebased systems, 2020, 190(2):105337
8. Griet Lust et al. Tool-use in a blended undergraduate course: In Search of user profiles[J]. Computers & Education, 2011, 57(3) : 2135-2144.
9. Cynthia Lewis and Jacline Contrino. Making the Invisible Visible: Personas and Mental Models of Distance Education Library Users[J]. Journal of Library & Information Services in Distance Learning, 2016, 10 : 1-29.
10. LEROUGE C, MA J, SNEHA S, et al. User profiles and personas in the design and development of consumer health technologies[J]. International journal of medical informatics, 2013, 82(11):e251-e268.