9月27日晚23点，天安门毛主席旧画像被更换，据悉，整个毛主席画像高6米，宽4.6米，总重量达到1.5吨，更换过程持续了1个多小时。双节将至，连最令人敬重的毛爷爷都换头像了，你不来瞧瞧吗？看了记得换头像欧。
据了解，每年国庆节前夕，天安门城楼都要更换新的毛主席画像，被风吹日晒稍许褪色的旧画像被取下。画家将会把旧画像进行处理，在处理后的画板上再精心画出毛主席的新画像，等到了下一年国庆前夕，再把上一年的旧画像更换下来。
双节将至你是不是该换个头像，换换心情呢？
2017，国庆最新头像来袭！
有这样的，一颗红心向着党，我爱国！
证券公司的是这样的：
还有这样的：
还有这样的，我这几天都在浪，不在线，有事请打call！
有过节的：
有打游戏要开黑三天三夜的：
露背的妙龄女郎，再下一点屁股都遮不住了。大露美背，更是打造个性、时尚、潮流的风范，性感露肩一字领设计，都可以完美的呈现出别样的时尚范。
姐姐穿搭的也很时尚啊，一件条纹开背挂脖衫的设计时尚感也是杠杠的，下身搭配的是一件紫色短裙，短裙修饰的美腿又添多一点性感。
时髦微露性感短裤时尚有型，妹子穿搭有韵味！青春时尚显现不一样的美，妩媚性感美女美美肌肤玩转清新时髦，细嫩长腿热辣妖艳指数飙！
穿上如此显身材的紧身泳衣搭配薄纱长裙，深深吸引路人的视线。每个女孩子都希望可以穿上漂亮的泳衣在炎热的夏天尽情展现自己的美丽，配上少女的白皙皮肤和精致颜值，就像一副美人画像让人心动不已。
以下为网友评论：
网友“里探花”：骚
网友“言论自由”：小编叫她姐妹天天出来晒奶，除了晒米米还是晒米米，
(2017-09-23)
《加谢医师的画像》文森特·威廉·梵高 1890 年 油彩画布 67 x 56 cm 私人收藏
梵高的《加谢医师的画像》交易价为9100万英镑(约8.7亿元人民币)
1890年5月21日，梵高在他的弟弟提奥的安排下，迁往瓦兹河畔的欧威尔，并请了一位名叫嘉舍的医生予以照料，《嘉舍医生的画像》就是梵高为这位医生画的肖像。此画创作于 1890 年，完成后几周，梵高自杀身亡。
此画有两个版本，第一个版本，现私人收藏；第二个版本的目前存放在巴黎的奥赛美术馆中。
(2017-09-23)
1945年，蒋介石在国内威望达到顶峰。
当年，蒋介石首飞北平。
蒋介石飞往北平
当时的北平治安还是很混乱的，引用华裔美国人的话：
北平人民失望的是：国民党“处处奸淫掳掠”。
人心向背是蒋介石做的最失败的一面。
蒋介石在北京碧云寺
虽如此，蒋介石的到来还是引起不小的轰动。
在去广场演讲路上的蒋介石，所到之处，20万青年围其座驾，给予了热烈欢迎。
蒋介石演讲情绪激昂的说：“今后要完成建国大业，则我全国同胞集中于三民主义旗帜下，相亲相爱！”
欢呼声四起。场面激动得有些失控，蒋介石很高兴，心中感慨万千。
他的巨幅画像在天安门上悬挂起来，面前此情此景，他
情不自禁落泪。
短暂的民国北平。
以下为网友评论：
网友“997192962”：建国大业，相亲相爱。
(2017-05-23)
秦始皇嬴政，祖龙。
汉高祖刘邦。
隋文帝杨坚。
唐高祖李渊。
宋太祖赵匡胤
元太祖铁木真
明太祖朱元璋
清太祖努尔哈赤，杀尽辽东汉人。
(2017-09-21)
我们看过的有关清朝的宫廷剧很多， 这些宫廷剧不管是以什么为背景，都离不开一个人设——皇后。剧中的皇后都是貌美如花的女子，可是实际上清朝的14位皇后到底长的什么样子呢？我们从这些画像中来找到答案吧！
孝庄文皇后
清朝有两个知名度比较高的皇后，其中一个就是孝庄文皇后，孝庄文皇后代表了智慧、勇敢和刚毅，在满清的宫廷斗争中搏击一生。她辅佐了四代帝王，康熙大帝中斯琴高娃把孝庄演绎的不怒自威。
2.孝惠章皇后
她是孝庄文皇后的亲外孙女，顺治皇帝的是她的亲舅舅。顺治废后的第二个皇后，第一个废后是她的亲姑姑，这皇家的血脉真是让人费解啊。
3.孝康章皇后
她想康熙皇帝的亲生母亲，康熙继位后，她与孝惠章皇后并称为皇太后，称为圣母皇太后。死后康熙、雍正、乾隆都追封为：孝康慈和庄懿恭惠温穆端靖崇天育圣章皇后。
4.孝诚仁皇后
她是康熙皇帝最爱的女人，因为难产而死。
她是康熙的第二位皇后，也是鳌拜的义女，按照画像来说她算是比较美丽的皇后了。
6.孝恭仁皇后
雍正皇帝的生母，死后被雍正、乾隆、嘉庆追封为：孝恭宣惠温肃定裕慈纯钦穆赞天承圣仁皇后”。
《甄嬛传》中刘雪华饰演的皇太后也是气质典雅。
7.孝敬宪皇后
她是乌拉那拉氏，是雍正的嫡皇后。
8.孝圣宪皇后
乾隆的亲妈，就是《甄嬛传》中甄嬛的原型，钮祜禄氏。本来姓钱，汉人，但是雍正为了提高乾隆的影响力故意给她赐姓。而历史中的熹妃在王府也是当了20多年的侍妾。
9.孝贤纯皇后
乾隆的第一个皇后富察氏，算算顶顶的美人了，期待即将上映的《如懿传》。
10.孝仪纯皇后
乾隆的皇后，也就是我们小时候看《还珠格格》中最喜欢的令妃。她是嘉庆皇帝的生母，死后被追谥为孝仪恭顺康裕慈仁端恪皇后。而嘉庆、道光之后加谥为孝仪恭顺康裕慈仁端恪敏哲翼天毓圣纯皇后。
11.孝淑睿皇后
乾隆估计光顾着自己快活，没有给自己的儿子仔仔细细的挑选福晋，包衣女子作为福晋的也只有这一个了，不过据说嘉庆和她特别恩爱，她也是道光皇帝的生母。
12.孝和睿皇后
嘉庆的第二位皇后，也是钮祜禄氏。当乾隆为嘉庆选择这个侧福晋的时候，与上面的那个不同的是，嘉庆已经被定为接班人了。画像中的人，年纪略大了。
13.孝慎成皇后
道光皇帝的皇后，与嘉庆不同的是，道光生下来就被当作接班人来对待，所以在选择妃子的时候是慎之又慎。也不知道清朝末期的画师画风变化还是的确人长的就是这样，让人看起来有点不怎么赏心悦目。
她的咸丰皇帝的生母，历史中记载道光皇帝超级爱她，为了她，即使咸丰皇帝并不出色还是传位给了咸丰。于是之后就有了慈禧……
而关于画像中都是记载的她其实是一个龅牙，情人眼里出西施啊。
(2017-09-22)
朱元璋长什么样子?这是历代史学家最喜欢讨论的问题，根据《明史》里描述其长相，朱元璋姿貌雄伟，奇骨贯顶，志意廓然，人莫能测。前八字是外貌，后八字是气质，传世的朱元璋画像有两类，一是明代宫廷画师绘制的命太祖像，有两副，一副中年像， 一副老年像，都画得侧向儒雅雍容华贵， 第二种是民间流传，朱元璋其丑无比，下巴极长，满脸麻子，这两种像哪一种是对的呢?
其实民间的朱元璋像临摹自宋文帝像，只是一种仿冒，懂得明史的人都可以知道，民间朱元璋画像最大的问题就在于其衣冠，无论是哪种民间长下巴画像，其衣冠服饰与明朝出土的画像都有差异，包括朱元璋的儿子朱棣都不存在长下巴的形象，朱元璋与朱棣之间怎么可能没有遗传呢?朱元璋的相貌异于常人，平民百姓上有爱美之心，何况讲究威仪的帝王朱元璋?
即使平常百姓，也不希望画师据实画出面貌上的缺陷，所以有意识的暗示画师造假是很可能的，但是需要我们质疑的是，既然朱元璋对自己的画像要求极其严格，决不允许不满意的作品流出，那么民间何以会有这么多版本流传下来?明朝皇帝忌讳颇多，典律章法甚严，甚至在朱元璋孝陵前割猪草都可能严惩遭受牢狱之灾，这那么民间私藏画像又该当何罪?如此多的版本画像又是哪里来的?因此民间丑画像，甚至明朝衣物制度都不遵守，明显唯一的可能就是是清代以后的付汇。
1644年，清世祖顺治，也就是爱新觉罗·福临赶走李自成迁都北京以后，清朝历经数代，尤其是康熙时期或轻或重的都有开展篡改运动，为了加强对汉民族及汉文化的统治，甚至篡改《明太祖实录》等史料，安排文人史官加以修饰，从文字到画像极大丑化前朝，歌颂大清，在此背景下，原本民间传说相貌怪异丑陋的朱元璋，就很难逃脱被恶搞的结局。再说，我国历来就有成王败寇的习俗做法及传统思想，尤其脸谱化尤其明显，比如戏剧中的曹操总是以白脸奸雄的形象示人。
再有我们的孔圣人孔子来说，当遵从儒术时其画像仪表堂堂，一旦反孔盛行时又是猥琐不堪，自然朱元璋也难免受到同样的待遇。美国学者牟复礼及英国学者崔瑞德编写的《剑桥中国明代史》描述，虽然体认民间传说的，脸面有皱纹而痘点斑斑，颚部突出，但也认为朱元璋看起来预有不同凡响和神采奕奕的气质。
在2005年出版的《剑桥插图中国史》中，美国学者易蓓蕾也对明显丑化朱元璋的画像表达质疑，认为民间流传的画像是有画师故意丑化的行为，认为明太祖和其他皇帝并无差别，至少应该以常人相貌示人。根据《明史》描述太祖姿貌俊杰奇骨贯顶，有学者也认为朱元璋异像里的长下巴就是奇骨贯顶的写照，实际上顶所指位置是头顶，传统相法有伏犀贯顶一说，认为是显贵之相。《公笃相法》有云，其天庭之上有骨凸突，名曰伏犀骨，或伏犀骨贯顶而入百会，此贵而寿也，奇骨贯顶亦属此类，并不是说下巴异常突出。
(2017-09-22)
全中国人都知道天安门城楼上悬挂着一幅巨大彩色画像，那就是毛主席的画像。
而大家有没有想过这画虽然历经风吹日晒却毫不褪色是为什么呢？还有就是去过首都天安门广场的看官，不知道你们站在不同的角度去看毛主席像，有没有发现不管你站在上面位置像中毛主席的眼神始终注视着你，这又是为什么呢？这些原来都是画师用心设计的杰作。
这幅画像是出自著名画家王国栋之手。当年他接到中央派给他的这一重任时，他感觉压力和责任重大。别看只是一幅画像，其实是非常有难度和讲究的。
为了突出毛主席的眼神，他广泛搜集资料，先后收集了60多幅主席画像，从中筛选出十多张有特点的照片，编成一个小集子，作为画像时参考，仔细研究了很久才作出了一副中西画法结合的作品。他绘制的画像以毛泽东半侧面、双眼平视的照片为摹本。他注重对毛泽东眉宇和眼神的表现，力求在描绘主席慈祥和善的同时，表现出他性格中敏锐、机智和洞察一切的层面。最终将毛主席的画像呈现的淋漓尽致，每个方位都能看到他的眼神。
而画出如此大一副人像，是对画者水平的考验，不仅对画者的艺术水平要求是极高，同时也是对身体素质的一种考验。
因为画像是为了让人民都看到它，所以设计在天安门高处悬挂，而绘画时就需要站到高梯上去画，这高空作业一画就是一天，普通身体素质是吃不消的。王国栋的徒弟曾回忆道，师傅倾注了一生的心血在这幅画上，为了将这幅画尽可能完美的画出来，他经常站在梯子上一画就是一整天，连饭都不吃。
而这幅画的画板选用的材质也是非常有讲究了。因为这幅画是暴露在室外，所以必须经得起风吹日晒，全都是手工糊成的平面玻璃钢层压板。就连颜料选用最好的颜料，几十年过去了那幅画还是和刚做出来的时候一样。
这幅画像总共耗时一个多月才完成，可见这幅画像背后的人是付出了多少的心血。而迄今为止，这幅作品始终保持着亚洲最大手绘的地位。
毛主席虽然离开了我们，但是他为祖国做出的贡献，为人民做出的贡献我们永远铭记在心，他永远值得我们纪念！
以下为网友评论：
网友“U78706109”：伟大导师
(2017-08-24)
此公开课为极客公园策划的「极客公开课•Live」第十四期。本次公开课，我们将邀请到友盟+首席数据架构师&数据委员会会长张金来为大家讲解到底什么是用户画像，快速建模框架，如何提高用户精准画像的的准确性，从理论到应用的一起了解用户画像。
什么是用户画像？
用户画像也叫用户标签， 是基于用户行为分析获得的对用户的一种认知表达，也是后续数据分析加工的起点。从认知心理学的角度，用户标签其实与人认知世界的方式相一致，人为了简化思考，通常也会通过概念化的方式简化事物认知，这种概念认知就是标签。因此，用户画像的内容可以很宽泛，只要是对人的认知，都可以叫做用户画像。例如：今天路过这个门口三次的人，也可以是一个标签，只要他有合适的应用场景。
另外，我们需要从概念上加以区分，用户标签和用户透视，一个是个体的认知，一个是整体的标签分布，二者都经常被人统称为用户画像。今天我们在这里说的用户画像主要指标签。
用户画像的 4 个核心价值
一、市场细分和用户分群：市场营销领域的重要环节。比如在新品发布时，定位目标用户，切分市场。这是营销研究公司会经常用的方式。
二、数据化运营和用户分析。后台 PV\UV\留存等数据，如果能够结合用户画像一起分析就会清晰很多，揭示数据趋势背后的秘密。
三、精准营销和定向投放。比如某产品新款上市，目标受众是白领女性，在广告投放前，就需要找到符合这一条件的用户，进行定向广告投放。
四、各种数据应用：例如推荐系统、预测系统。我们认为：未来所有应用一定是个性化的，所有服务都是千人千面的。而个性化的服务，都需要基于对用户的理解，前提就需要获得用户画像。
用户画像的基础：数据
做好用户画像需要一定的门槛，一方面是数据的体量和丰富程度，另一方面是技术和算法能力。今天介绍的经验基础是[友盟+]数据，首先简单介绍一下。[友盟+]有覆盖线上线下的实时更新的全域数据资源，每天大约有 14 亿的设备，覆盖数百万级的网站和 APP 行为，这个庞大的数据量使得我们有丰富的数据资源来生产用户画像，同时又要求我们能相应的技术能力来进行处理。
数据是如何生产，变成画像的？
结合上图，用户画像生产流程概览，我们将用户画像的生产比喻成一个流水线，就如同将矿石加工成成品的过程。用户浏览网页、使用 APP、线下行为，这些数据都是矿石，需要提炼、加工成为产品，最后还要通过质检。
这个过程通常有几个步骤。首先获得原始行为数据，基于这些数据做特征抽取，相当于清洗、加工的工作；在机器学习环节，会与外部知识库有一些交互。实际上机器算法对人的理解，一定要基于知识体系，就好像我们说的概念。比如，机器给人打汽车相关的标签，一定要首先知道汽车体系有什么样的分类，有什么车型，有这样的知识系统我们才能把人做很好的标识归类。
最后，质量检测，这一步也很重要。一个标签的质量决定了后期的应用效果，如果前期对人的分析偏了，后期结果就很难做对。
用户画像生产流程框架
上面讲的是概念图，如果具象到实际操作中，是这样一个框架流程：
这里先留三个悬念：
悬念一：从用户行为日志开始到标签产出，为什么有两条线？
悬念二：标签体系为什么只作用在内容标注上？
悬念三：为什么下面的「评估」过程要特别标注出来？
1、从用户行为日志开始到标签产出，为什么有两条线？我们把画像分为两大类：第一类：统计型画像；第二类：预测性画像。
第一类，统计型画像是客观存在，这种都是兴趣偏好。比如，用户每天都在看汽车新闻、搜索汽车相关的内容，基于这种行为，我们判断这个用户对汽车感兴趣。这些行为是客观发生的，因此无所谓正确率，也不需要训练样本集。
第二类，预测性画像。需要通过用户行为做预测，像用户的性别预测，尤其是挖掘人的内心态度。比如，用户在消费时，是激进的，还是保守的？有预测就有准确率。所以这里面有很重要的评估指标，就是正确率，也需要取样本集。这就是二者的不同，也会有不同的加工流程。
常用的一些标签体系
再继续介绍标签体系，因为很多同学会问到，「我应该建一个什么样的标签体系？什么样的标签体系是比较好的？」通常我们会把它分为四大类：
第一类：人口属性。比如说性别、年龄、常驻地、籍贯，甚至是身高、血型，这些东西叫做人口属性。
第二类：社会属性。因为我们每个人在社会里都不是一个单独的个体，一定有关联关系的，如婚恋状态、受教育程度、资产情况、收入情况、职业，我们把这些叫做社会属性。
第三类，兴趣偏好。摄影、运动、吃货、爱美、服饰、旅游、教育等，这部分是最常见的，也是最庞大的，难以一一列举完。
第四类，意识认知。消费心理、消费动机、价值观、生活态度、个性等，是内在的和最难获取的。举个例子，消费心理/动机。用户购物是为了炫耀，还是追求品质，还是为了安全感，这些都是不一样的。
如何判断标签体系的好坏？
在实际构建标签体系时，大家经常会遇到很多困惑，我列举 5 个常见问题。
第一、怎样的标签体系才是正确的？其实每种体系各有千秋，要结合实际应用去评估。
第二、标签体系需要很丰富么？标签是枚举不完的，可以横线延展、向下细分。也可以交叉分析，多维分析。如果没有自动化的方式去挖掘，是很难做分析的，太多的标签反而会带来使用上的障碍。
第三、标签体系需要保持稳定么？不是完全必要，标签体系就是产品/应用的一部分，要适应产品的发展，与时俱进。比如，以前没有共享经济这个词，今天却很热。我们是不是要增加一个标签，分析哪些人对共享经济的参与度高？喜欢共享单车、共享汽车。
但是，有一种情况下，标签要保持稳定。如果你生产的标签有下游模型训练的依赖，即我们模型建完后，它的输入是要保持稳定的，不能今天是 ABC，明天是 BCD。在这种情况下，是不能轻易对标签体系做更改的。
第四个，树状结构 or 网状结构？树状结构和网状结构从名字上就可以看出其分别。网状结构，更符合现实，但是层次关系很复杂，对数据的管理和存储都有更高要求。知乎，如果仔细去看它的话题设置，其实是网状的。
网状的特点就是一个子话题，父级可以不止一个，可能有两个。比如儿童玩具，既可以是母婴下分分类，也可以是玩具下的分类，它就会存在两个父节点之下。树状结构相对简单，也是我们最常用的。网状结构在一些特定场景下，我们也会去用。但是实现和维护的成本都比较高。比如，有一个节点是第四级的，但它的两个父节点一个是二级，一个是三级，结构异化带来处理上的麻烦。
第五个，何为一个好的标签体系？应用为王，不忘初心。标签是为了用的，并不是为了好玩，最好保证标签体系的灵活和细致性。
统计型标签的生产流程
再回到刚才说的生产流程上。我先结合下面的图介绍上半边，统计型的标签是怎么去加工的。
首先我们要有行为数据，例如用户每天看 100 篇文章，有 40 篇是体育的，有 30 篇是汽车的，有 20 篇是旅游的，还有 10 篇其他的。我推测，你比较喜欢体育、汽车、旅游。
对于这样的标签，大概需要什么流程去做呢？环节一很重要，内容标注。只有知道用户看的内容是什么，才能统计偏好。环节二，如何基于用户行为做聚合统计和归一化。
一个经典的标注例子：网页标注
在做内容标注时，一般会有两种情况：第一种：有些公司在建自有用户画像时会很幸运，例如电商、视频类、音乐类的媒体，它给用户服务的这些内容是已经分类好的。可以直接用内容的标注来做用户行为标注。
但是，对于一些通用型的内容，比如[友盟+]的数据，会有 PC 浏览数据、APP 的使用数据，一定要先了解用户喜欢看什么，才能去做下一步的工作。在这里面，最复杂，也最典型的就是网页的内容标注。
标签的最终生成：行为统计
根据用户的行为，统计标签数值，归一化。比如，我们判断用户是喜欢运动、还是服饰，会将他看来多少相关网页、使用了多少 APP 进行累加，在除以一个总累积，得到一个标签得分。
这里面有几个点需要关注：
第一、统计量的选取。可能是浏览数量、浏览时长、浏览频度、复合关系等。举个复合关系的例子，对于某个商品类目的偏好，你可以将浏览、搜索、收藏，购买等行为统计量加权在一起考虑。
第二、个体内的可比性。个体用户的不同标签间具有可比性。举个例子，我有两个标签：阅读、旅游。我的阅读标签是 0.8 分，旅游是 0.6 分，代表我更倾向于去阅读，而不是去旅游？如何保证这一点呢？在上面公式里将个体的行为总和作为分母就可以了。
第三、垂类内的可比性。一个垂类内不同用户的相同标签具有可比性。
例如，我的动漫得分是 0.8，你的是 0.6，表示我比你要更喜欢动漫。那么分母就是选取整个动漫类行为的总和。比如说，今天全国用户在 B 站上一共 100 万小时，你有 1 个小时，你是百万分之一，他花了 2 个小时，大约是百万分之二，最后再做一个归一化，就会产生一个类内可比的得分。
我们刚刚说的是绝对化的值，还有一个简单的做法就是做排序，基于用户的使用时间做排序，这样也可以。
但是排序和归一化到底有什么不同？排序只代表相对性，而刚才说归一化代表了强弱， 我的得分是 0.8 和你是 0.6，就表示偏好强度上我比你高了 30%，而排序则不能反映这样的比例。
11、统计型标签生产要点回顾
1、行为数据。浏览、使用、点击、购买、LBS 等，通过行为数据反映人的偏好倾向；
2、标签体系。根据实际需要进行设定。可以参考《消费者行为学》、电商类目体系、应用市场体系、媒体资讯体系等；
3、内容标注。把行为相关的内容抽出来做分析，把标签体系先打到它们身上，再累积到「人」身上；
4、得分归一化。明确归一化的目标，选择所需的归一化方法。举个例子，推荐适合用个体内可比较的得分，不管 A 看会某个内容用了多少时间，A 所看到最多的内容就优先推荐给 A，不用和其他人比较；
但在投放广告上，就要考虑用户在这个商品上的倾向度有多高，需要用户间可比较的得分。
预测型标签的生产流程
预测性标签的生产流程：特征抽取→监督学习、样本数据→评估→标签产出，这也是经典的机器学习流程。
特征工程
特征工程，是机器学习的关键过程之一。最重要的是提取不同侧面的特征。我们以移动端使用行为可抽取的部分特征为例：
1、APP 使用事实特征：用户 30 天内开启 APP 的天数、用户 180 天内开启 APP 的天数。这两个数据都会作为特征，考虑用户短期和长期的情况。
用户 30 天内使用 APP 时长占比、用户 180 天内使用 APP 时长占比。刚才说的是次数，这块是时长，用户可能反复打开，但是总时长很短。
2、兴趣特征：虽然信息有损失，但是泛化效果更好。举个例子，你是 A 站用户，他是 B 站用户，理论上讲，如果我们用最底层的数据，你们两个人是不太一样的，但某种程度上，他们都是对二次元感兴趣的人；
近期用户兴趣标签归一化值、长期用户兴趣标签归一化值。用户长短期基于兴趣标签下使用不同 APP 的熵值、历史某类 APP 时间消耗占比变动比例。其实反映了我们要看这个分布，以及分布的趋势性，你过去关注度高，现在关注度减弱，和你过去关注度不高，现在关注度高，其实这两个是完全对应不同的人，这也是我们参考的特征。
3、设备与环境特征：近期使用的设备品牌、近期使用的设备型号；工作日时间段内 Wi-Fi 使用时间分布、休息日时间段内 Wi-Fi 使用时间分布（工作日与假日的区分）。
模型训练与结果评估
1、模型选择。有有监督的分类算法：逻辑回归、SVM、决策树、Bagging、深度学习；
2、二分类 or 多分类。二分类比较简单，多分类则有不同的拆分策略。举个例子，把人分为男女，是二分类的问题；分为年龄段，就是多分类的问题，我们在机器学习当中也有不同的做法，OvO（一对一）、OvR（一对其他）、MvM（多对多）。
3、结果评估。评估指标包括：正确率、召回率、应用效果。但是对于统计型标签来说无正确率，召回率看阈值，今天你只看一个汽车的型号，理论上我也可以给你打一个标签，但是分值非常低，这个分值到底要不要算做这个标签的人，要看中选什么样强度的人。预测型标签，一般看 Precision，Recall，F-Score，ROC。
4、Ranking 任务。一类特殊的定制化标签。针对特定场景，如对电话营销需要按照可能性排序打电话。套用上述模型，可以用最终得分来做 Ranking。
15、关于标签评估的延展
标签的生产不是目的，使用才是。正确率≠效果，举个例子：喜欢看车不代表是试驾购车的目前人群。
第一，用户分层的评估。针对于重点人群进行评估，不同人群分层进行评估；第二，从全局进行评估。不要只局限于样本集合的评估，参看一些全局统计数据。例如，人口属性的分布和统计局的结果是否相符？第三，有效果反馈的应用。将标签直接应用于使用场景中检验效果。例如，进行营销的定向投放，测试点击率；第四，利用其它数据佐证。使用其他行为数据来验证标签的有效性。例如，在电商环境中后续的行为差异来评估显著性。
一个快速建模框架
我们今天不再强调标签丰富度，而是快速建模的能力。快速建模怎么做到？这套系统在[友盟+]比较完备，使得我们收到一个样本就可以很快训练模型，这个流程最快 3 个小时就能够把标签算出来。
用户画像的应用
Data -> Insight -> Action->Data->…
第一步，先有数据，就像标签生产出来，要有数据的过程；第二步，分析，洞察。洞察并不是最终目的，因为洞察只是得到一个结论或者方向；第三步，开始应用；应用后又带来新的数据，从而形成数据的闭环。举个例子，广告怎样的群体点击了，数据被反馈回来，下一个循环可以进行调整，不断地迭代，优化整个效果。
DIP营销服务流程
关于上述流程的实际使用，结合[友盟+]DIP 数据智能平台讲一下营销服务流程是如何做的。
左上面是我们一些数据，例如：客户上传数据后，我们会有一个匹配的过程，把所有数据打通连接。上传、匹配之后，会对这些数据做人群分析。比如说宝马 X1 今年刚上市，他们把去年购买 X1 的用户都上传上来，我们会分析这样的用户在哪些方面是有特性的，比如年龄段、地域分布、收入、偏好。有了这样的分析后，我们可以选择相应的人群，基于历史的偏好、特征，然后再去投放；如果中间我们会发现人群量不够，最初选择 10 万人可以放大到 100 万人。最后输出到媒体、RTB 等渠道商。做预算，看效果，将效果数据回流，再去迭代，以进一步提高投放的精准率。这是我们常用的一个流程。
在举个实际的例子，如果要做一个新产品的传播推广，这时需要做定向投放。我们先要对潜在用户要进行分析，例如对于科技产品非常感兴趣的人，我们发现他每天 8、9 点特别活跃，通过进一步分析，他会和哪些媒体做触达，或者他看不看电视会不会留意到地铁里面的广告，这也是一个触达渠道，以及看什么样类型的，看资讯、社交、八卦，这个不太一样。要找到受众，应该到哪找？比如说去这种有态度的网易新闻，还是个性化的今日头条，或者说腾讯新闻，这都需要进行分析。
基于上面的分析之后，再做结合分析。举个例子，你对科技感兴趣，那你的手机是不是到了更新期，你手机大概用了三年，应该到了更新期，就可以对这样的特定人进行投放。把人圈出来，投放、曝光，曝光之后我们去看营销的结果，然后返回来继续分析，会不会对其他内容感兴趣，再去做下一轮分析。
这就是我们之前做的一系列方法的一个应用。
最后关于数据应用我再给出一些通用型的建议：
第一、分析：
1、结合业务场景去选择分析维度：如果你是给中年妇女推荐保健品，你去分析她们喜欢不喜欢二次元，这就非常说不通了。
2、不要只是简单的看画像分布，一定要做对比。
3、例如，与大盘对比情况：TGI。上图是我们分析一个 APP 内的购买人群。紫色的线是人群的分布，年龄段的分布。我们看到 18-30 岁之间的人很多，感觉还不错。但是，如果你做一下大盘情况，APP 的用户大多是年轻人，因为本身这个产品有一个年龄偏小的分布特征。通过分析对比之后发现，TGI 比较高是 30-39 岁的人，这个范围的人才是在购买人群里面是显著的，这个群人才是你去做运营活动、投放的人群。
分析，一定要去做对比，单纯看分布是并没有太多信息含量。不对比看不出来差异。
4、环节的对比。哪些人我触达了，哪些人到这里落地了，哪些人注册了、哪些人真正浏览、哪些是留存、哪些是付费，每一个环节你都可以做这样的分析。
第二、精准投放（Action）。这是我们今天做标签非常大的一类应用。这时候大家可能会发现，我们做品牌广告、效果广告是不同的，举个例子，品牌广告我们就会关心 TA 浓度，关注我投放广告的人性别怎么样、年龄分布怎么样。效果广告是不一样的，效果广告通常很直接，你这个人是不是点了，最终 CTR 高不高，最终购买 ROI 高不高，这种一定是你最直接的兴趣是什么，你什么性别不重要，我就想知道你要不要。
另外一点，直觉未必靠谱，一定要通过反馈来检测，就是刚才说我们为什么要数据闭环，比如说，有一个商品设计者说，我这个产品目标是吸引白领女性，实际上他上市场去卖的时候发现，买他的男性大学生最多，跟他想的根本不一样。
如果你一直持续的给白领女性做广告投放，实际上效果可能不是最优的，反而你做校园活动会达到更好的效果。
甚至说，你可以基于你的用户场景做专属标签，以及你可以通过人群放大来做处理。举个例子说，我今天有新的车型上市，一个方法是，先选取对汽车感兴趣的人，或者 SUV 感兴趣的人，就可以去做投放，这个效果就可能不是最优的，更优的情况是针对你这个 case，去针对性的做训练，针对性的选取跟你相关的人，通常效果上比通用的标签选取更好，这时候我建议如果你特别强调你的效果，就去试试训练专属的标签。
更多详细讲解，请见知乎 Live
以上就是本次公开课的关键内容，更多演示请点击「极客公开课•Live」第十四期查看获取
(2017-09-22)
如同我上一篇文章《给用户画了像，又如何》所讲的一样，用户画像已经人尽皆知了，在貌似满足用户需求的思想指引下，给用户进行了深入的画像并加深对用户的理解，但之后又该如何匹配合适的商品最终做到“人货合一”呢？
很多零售商并没有深究，往往觉得货就是货，卖出去就行，这其实还是自己的本位思想在作祟，没有做到把最合适的商品呈现给最合适的用户，造成的现象则是：爆款总是断货，不好卖的货总是呆滞，客户看到店铺里堆了大量自己并不喜欢的产品时，体验可想而知。
如何解决上述问题，就需要对自己的商品有深刻的理解，而“商品画像”则是解决这个问题的必由之路。
商品画像如同用户画像一样，可以简单理解成是商品海量数据的标签，根据商品的特征、设计、功能、口味、波次、价位段、流行度、销售状况、促销力度、销售渠道差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、特点、场景、统计学要素等描述。
而商品画像的意义则在于可以对商品进行精准的定位，让不同的商品迅速匹配到处在不同地域、时间、偏好、阶层中的消费者，进而去更加优化用户的体验，同时商品画像给商品所贴上的各种“标签”可以驱动后端供应链的各种的行为，如预测、补货、促销、库存、采购、生产、物流等等，都是要和这些标签相匹配，标签不同，模型不同，流程不同，管理的模式也有所不同，而且一切都是动态的。
让众多零售商对“商品画像”重视程度不足的原因，主要是商品的管理往往扮演的是“幕后英雄”的角色，商品自身没有消费者自身“上帝”的地位，也没有场景那么炫目多彩，商品管理人员甚至有时不会和消费者直接发生接触，因而常备零售商所忽视，忘了“商品”才是消费者体验成败的关键所在。
如同自己找到了一个目标，手中用于击中这个目标的手段（货）很多，但具体哪种“工具”能够最经济、效率最高击中目标并不非常清楚，好不容易了解了手中的“工具”，而“工具”（畅销款）又缺货了。
有人说商品画像挺简单的，从销售历史的Top10和Bottom10的商品清单，就可以看出好卖还是不好卖，好卖多进货，不好卖少进货不就行了吗。
但真的那么简单么？
销售排行榜上排名第一的商品由于半价促销带来大量销量，或者由于铺货相对更广，就能说一定比第二名、第三名等没有促销政策或铺货较窄的货好卖吗？
以时尚类行业为例，该类商品的一个典型特征是销售周期基本上都是在3个月左右，在对商品进行画像的时候，主要从商品的自然属性和销售状况出发，要考虑商品的颜色、面料、尺码、价位段、品类、品类结构比、波段规划、季节性特征、销售渠道、销售区域、门店铺货情况、竞争对手表现、市场容量/占比、产品生命周期趋势、供应商支持情况、整体销售趋势以及天气情况，并且依据分类算法模型给不同的商品贴上不同的标签，来综合判定不同的商品会适合于什么类型的消费者，以及商品的畅平滞的情况和原因，并且以上维度是要交叉分析的。
例如渠道和产品维度、渠道和时间维度、产品和时间维度等进行交叉分析，鉴于这些商品上市的复杂度，就需要借助机器学习的算法来进行分类。
在不同的销售渠道里销售的价格未必一样，面向的消费群体未必一样，每家店面铺货的情况未必一样，南北方的气温不同导致上市的时间会有所不同，而商品品类的结构在不同的区域也会不同，同时供应商的产能制约更是一个不可忽略的因素，如果竞争对手在忙上添乱，更是会让局势错综复杂，而整体行业数据的分析更是必不可少，所以这时就需要复杂的商品画像，让商品的自然属性和销售状态画像更加清晰的呈现在商品决策者面前。
而零售便利店业态虽然和时尚品零售行业不完全一样，但也需要清晰的商品画像，重点考虑的因素包括商品的口味、特征、功能、天气、价格、当时活动、门店位置、竞争对手等因素。例如晴天将会导致中午气温上升，口味清爽、蛋白质高的便当会好卖，或者阴天将导致气温下降，那么消费者更加偏向口味浓郁、热量足、分量大的便当，所以零售商对便当的口味、分量、价位段、适用人群等要有清楚的认识，同时把便当和天气的外在因素结合在一起，形成一个完整的商品自然属性画像，这样对于目标消费群体更有针对性的销售和备货。
一旦一个商品被贴上“好卖”的标签，那么对于预测要求开始提升，精度一定要高，而库存则要备足，后端的生产、原材料采购也要保证不出事，确保不断货；一旦被贴上“不好卖”的标签，那就赶快清库存找后路，防止库存积压。
用户画像是产品的根基，但是“商品画像”是产品的外延生命力的象征。
好的产品必须是易于在人群中推广的，一句话能讲清楚，如何让商品和消费者进行迅速匹配，同时通过商品画像来迅速启动需求链管理流程：预测、促销、补货、采购、生产、物流、配送等等，让好卖的商品不断货，利润最大化，让不好卖的商品赶紧清仓腾位置，不要形成呆滞库存，这样整个链条从消费者到零售商再到供应商就彻底地由商品给满意、高效、健康串联了起来。
[新零售行业峰会来袭！]2016年马云在云栖大会上首提“新零售”，自此“新零售”已成为当下电商界最热词，各电商大佬反复提到“线上线下融合”。如今，无人便利店、无人货架等模式也上升至新的风口，入局者蜂拥而至……
从旧到新，从传统到智能，零售经历着种种变化。对于企业来说，如何做到真正的落地执行？怎样借力实现销量和渠道的裂变？现场演讲嘉宾将在峰会上碰撞出精彩的火花，这将是一场新零售思想的盛宴。
版权声明
(2017-09-22)
本文来源于新闻阁：转载请保留链接，不保留本文链接视为侵权，谢谢合作！