深度学习 用户画像_深度学习在用户画像方面的应用系列

本系列文章适用读者：对神经网络有些认识，想了解实际工作中神经网络是如何落地到用户画像或推荐系统场景中的。

实际上，用户画像的方法有很多，我把他们暂且分为两种，一种是传统机器学习算法，例如无监督聚类、多分类算法(集成树等)，这些方法都需要我们手动提取每个用户的特征，用一个特征向量去代表一个用户，我们把特征向量放到模型里，得到聚类或分类的结果；另一种是本文提及的深度学习方法，虽然这种方法也可以对用户特征向量进行分类，但是它有一个更强大的应用。那就是我们不再需要手动去提取用户的特征向量，而是可以把用户的行为(例如用户点击的商品记录)喂给深度学习模型，模型能自动得到用户的特征，进而得出分类结果，效果往往不错。

那了解了深度学习的优势之后，在实际场景中如何去落地，去应用深度学习方法是这个系列的文章的目的。这个系列的文章会循序渐进，从应用神经网络的前奏“1.词向量嵌入”开始讲起，预备篇力求讲清楚例如用户的浏览商品记录是如何处理之后交给模型的。然后是“2.经典的模型”，有了输入之后，有哪些神经网络可以使用，是武器篇的内容。接着“3.模型结构”会详细阐述常用模型的内部结构原理，源码的实现，如何去调参及自定义模型的某个模块。接着是装备篇，深度学习模型往往需要高效的GPU加持，对于刚入门的小白来讲，有哪些GPU平台可以使用及比较好的GPU租用平台等番外的内容，如果实验室有卡，请自动忽略。最后是”5.实战篇“，纸上得来终觉浅，觉知此事要躬行。我们就用2020年腾讯广告大赛来进行实战，在实战当中去真正了解数据的处理过程、模型的效果对比、模型融合等等。

本系列文章会不断持续更新，欢迎关注，共同交流学习。