【嵌入式用户画像模型概述7100字】

1 1 11.2模型标签设计 23.2.1人口属性标签 31.2.2社会属性标签 41.23消费属性标签 51.2.4健康属性标签 6 73.3.1句嵌入模型的延申 73.3.2新模型下的多模态数据融合 10康养老环境下的嵌入式用户画像模型(下文中简称PCE-CF),该模型依据健康同的数据类型，针对不同特征数据类型复杂存在的数据模型转化困难问题，PCE-CF通过模型标签的方式进行用户画像模型的构建。相当于一个黑盒子，通过使用深度学习模型，学习每位老人用户的embedding向量，将数据统一映射为1.1模型构建问题描述供符合其期望的个性化服务，有必要确定其个人属性、选择需求以及兴趣偏好。多模态特征数据多模态特征数据多模态特征数据消费属性健康属性画像模型设计人口属性社会属性funding社会属性健康属性消费属性2、标签所表示的内容必须具有实际语义，以免造成对标签认识模糊，影响二级标签数据类型first-tier,second-tiemasses,leaguemember,partymemproductionstaff,operato在社会属性标签中，PCE-CF模型的一级标签划分为老年用户的家庭结构属的服务。因此，在社会属性标签设计中，老年人家庭结属性标签详细标签设计情况及三级标签对应的数据类型如下表3-2所示。数据类型harmonious,reasonably,g①习惯性消费(Habitual):具备的经济优势来提高生活水平，会选择更加多元化的⑤盲目性消费(Blind):部分老年群体可能受教育程度、生活⑥补偿型消费(Compensatory):老年人可获得收入可能来源于自身养老数据类型Habitual,Hedonic,Realistic,Convenient,Blind,Compens4级表示健康强健。4级处于老年人健康程度最高级别。这类老人是老年群3级表示一般健康。这类老年人比4级老年群体患病更加明显，身体相对比1级代表非常不健康，这类老人生活完全不能自理，属于健康程度最差的一数据类型never,occasionally,regulPCE-CF模型将设计的特征属性标签作为输入，由于标签中的数据具有复杂且多本的bigramembeddings.Wikipedia文本中包含约6900万个英语句子和约17亿1)在嵌入空间查找最近的邻居；2)作为监督任务的机器学习模型的输入；3)用于概念的可视化和类别之间关系的可视化。One-hot编码即独热编码，常用于使用处理类别型特征。使用虽然one-hot编码向量构造起来容易，也较为直观，但该编码技术1)独热编码每一个维度的长度都是字典的长度，针对本模型所搭建的用户2)独热编码只是一种类似于编号的简单表示，无法表达用户画像体系中个因此对于本课题所提出的用户画像模型，one-hot编码技术局限性较强，是Mikolov在2013年发表了论文并开源了计算词向量的工具Word2vec,它主征标签串联成长句映射到高维空间在保留全部数据语义的基础上提供了一种模本模型为词汇表w中每一个老年用户标签l学习了一个源嵌入v₁和一个目标h表示为嵌入的维度，k=|W|,句嵌入被定义为组成该句单词的源词嵌入的平均值，S代表目标单词所组成的固定长度文本的句子，N(S)代表句子S中为预测文本中可能丢失的用户画像标签，句嵌入模型通过负例采样模拟督模型训练目标如公式3-2,其中SI是对于每一个label标签LeS的负采样集合：作为样本的负例遵循多项式分布，其中每一个label标签1与概率qn(l):=l均被概率1-qp(l),其中qp(l):=min{1,√t/fi+t/fi}丢弃，t代表二次抽样中的超参下，得到精确的训练目标函数如公式3-3:属性，而不是单一转化成一个只有1的向量中。与其他更复杂的基于神经网络的成类标签嵌入，统一输出为维度700的高维向量。每位老人的36项特征属性标签，利用标签嵌入能够使得特征相似的老年用户在合传入连续词袋模型(continuousbagofwords,CBO向量空间，模型示意图如下图3-3所示：联合表示0.023617-0.00732480