最近突然對**的使用者關係感起了興趣。當然了，萬事萬物都是有原因的，只是有的是直接原因，有的是間接原因；有的原因很明顯，有的原因不明顯；有的原因很容易說清楚，有的原因說不明白。總之一句話，肯定是原因的。
引發這個系列話題的原因是，在我收到的人人或者是校內傳送的的推薦關注郵件中，或者是各大微博、sns社群中的推薦關注與推薦話題中，發現大多和我沒有關係，推薦的準確率不是很高，甚至可以說的比較低，更有甚者，還有一些毫無相關的人和內容推薦過來，我就不明白了，既然沒有就算了吧，為什麼非要有呢？
但是轉念一想，原因可能有以下幾點：
關於精準其實也是有爭議的，精準的標準是什麼？大家的理解又不一樣了。還有就是成本和產出比如何控制，想要精準也行，可是**當前可能沒有那麼多成本去做這件事，或者說做這件事的產出相對成本來說有點低，所以失去了做的意義。
當然了，有一些精準也確實在當前的條件下是不可能實現的。
這件事引發了這個系列，也引發了我對於資料分析的興趣，準確的說是資料分析中的使用者關係分析，也就是在大量資訊中發現使用者的相關性。
以前沒有做過資料分析的工作，技術的積累也不夠，但是感興趣之後，就開始關注這方面的資訊，技術，和文章，做了一些簡單的思考，得出了一些簡單的結論。從今天開始會和大家分享一下我的理解，肯定有不當的地方，或者是比較粗淺的地方，希望大家指出，或者給一些好的資源，也讓我進步進步。
使用者關係分析的好，有很多的應用場景。sns、微博可以做社會化推薦，電商可以做商品推薦，任何**都可以利用使用者關係來增加使用者的黏度，增加使用者的忠誠度，做大做強自己的**，提供更好、更合理的使用體驗，以便於更好的為使用者服務。
今天先說一些簡單的使用者相關性理論和如何確定使用者相關性？
使用者相關性，就是使用者關係的強弱，也可以量化為數值的形式。如果說0是無相關，10是相關性最高的話，1-3屬於若相關，4-7屬於中等相關，8-10屬於強相關。
那麼如何得出兩個使用者之間的相關性呢？最簡單的莫過於利用使用者的基本資訊，身高，體重，年齡，愛好等等結構化的資料對兩個使用者之間的相關性進行計算，得出結果。
舉例來說，使用者a的年齡是20，使用者b的年齡是20，在年齡這個維度上面他們的相關性就是10，當然了，這個10在最終的相關性結果中佔多大的比例，還需要為年齡維度設計乙個加權值，在綜合各維度的時候使用，不是簡單的加和平均。同樣是年齡，除了直接比較意外，還有一些是需要通過計算其他資訊的，例如使用者b沒有年齡，但是有小學畢業時間，根據這個時間也可以推算年齡，然後進入年齡維度的比較。
首先會設計很多的維度，每一種維度的權重以及加權值，然後通過採集使用者的資訊，進行分析計算。
在實際的應用中，結構化資料畢竟是有限的，很多資訊使用者會由於某些原因，不想填寫，大量資訊的空白，給結構化資料的分析帶來困難，強制填與不填之間，**也很會糾結一番。
常用的就包括map/reduce這種進來很流行的東西，在分析的過程中還可能會用到語義學的知識，甚至是心理學。
尤其是社會心理學，我認為會起到很重要的作用，而且我認為大多數的sns和微博在社會心理學方面的研究和應用做的都不太夠，深度不夠才導致推薦的結果差之千里。不過，想要應用的好，也需要下一番功力的，需要專業的知識，還需要將這些專業的知識轉化為技術。
今天就聊到這裡吧，在以後的日子裡，我會繼續好奇這方面的資訊，繼續和大家分享我的認識，希望大家踴躍拍磚！！！
Python大資料分析 開篇
python大資料分析 開篇 目前在網上看了很多部落格，都是一些關於資料處理的，且都淺嘗輒止，沒有形成乙個系列，只言片語，不能給人以更深層次的啟發。加之，最近在用python做金融大資料這塊的分析，故寫部落格以記之，以供他人閱，相互交流。大資料分析的意義，我自不用多述。眾多金融公司，無不在挖掘其價值...
資料分析 使用者行為分析
電商 使用者購物路徑如下 使用者行為 分析定義 對使用者購物路徑日誌資訊進行統計 分析，從中發現使用者訪問 的規律，並將這些規律與網路營銷策略等相結合，從而發現目前網路營銷活動中可能存在的問題，並為進一步修正或重新制定網路營銷策略提供依據。使用者行為分析目的 通過對使用者行為監測 獲得的資料進行分析...
使用者行為資料分析筆記
使用者行為資料分析 第一部分 量化成效 沒有 分析，運營很可能變得無頭蒼蠅一樣。基本指標 index是乙個單頁面指標，index衡量了乙個頁面的價值 在為提高使用者體驗 提高轉化率 優化 內容的時候，最先關注的總是 index最高的頁面。因為這些都是舉足輕重的頁面。為了理解網頁的重要性，考慮下列4個...