为了满足用户的个性化需求，需要对用户画像进行建模，从而为行为分析习惯、兴趣偏好等重要的商业信息，提供大量的基础数据。
1用户画像建模的核心
是对用户潜在的意图和兴趣进行表示和存储，根据用户的基础信息、产品信息、访问信息、行为偏好、以及隐式兴趣等归纳出可读取、可计算的用户模型。一般来说，用户建模就是将用户信息标签化，标签化的含义是矩阵中的特征值，用户建模的过程就是将用户信息矩阵化，然后再找出特征值。
2用户的定量数据
用户画像可以归纳为定量数据和定性数据，定量数据相比定性数据要简单在定量的用户画像建模过程中，需要考虑用户的维度，也叫颗粒度，颗粒度越小，用户刻画就越精准，当然，过犹不及，如果颗粒度越小就要求获取用户越细化用户数据，这会导致获取用户信息的成本增加，而且还会导致用户画像的适配性降低，因此，做用户画像之前，分析师们是要提前做好预设的，在没有数据的时候，这一步的完成可以依靠问卷调查的方法，了解用户的使用场景，关注内容等等，然后以此为基础设计用户画像，对把握颗粒度有一定的参考意义。
确定了用户的颗粒度，就可以通过问卷、访谈或者技术手段来获取用户行为，存储和分析用户数据，获得定量的用户画像。
1、问卷、访谈的形式
是相对直接的手段，通过这种方式，我们可以直接的获取真实的信息，无须过多的建模预测，更多的是处理数据的缺失值、异常值等基础的数据预处理工作。
2、采用技术手段
属于隐式的数据获取方式，进一步的通过统计、规约、分析等方式获取用户画像数据，但是这种方式准确性比较低，但是较显性获取方式，隐性获取方式更容易，样本也会更大，更具有普世性。如何提高隐性方式的准确度呢，一方面是大量用户数据的收集与挖掘，一方面是干脆就将隐性数据当成显性数据的补充。无论是问卷、访谈，还是技术手段的的数据分析，都要进行效度和信度的论证，以保证数据尽可能准确可用。
仅仅依靠定量化的用户画像无法全面、精准地刻画用户:数字无法描述用户某些属性，如用户的兴趣模型，你就很难去评估他对一个内容的的兴趣模型，以及其会随着时间变化而发生怎样的转变。
3用户的定性画像
首先我们要先来看一下用户标签，标签通常是人工定义的高度精炼的特征标识，如年龄段标签（儿童、青年），地域标签（北京、上海）。语义化和短文本是标签呈现出的两个重要特征，其中语义化特征赋予标签一定的含义，使人能够容易理解这些标签；短文本特征使标签本身无需再做过多的文本分析等预处理工作，这也方便了计算机的标签提取、聚合分析过程。
4标签化是用户画像的核心
标签化的用户画像既方便人们理解，又方便计算机分析和程序处理。计算机很笨的（估计马上就不是了），标签化之后，计算机才可以自动完成分类统计功能，例如，可以统计喜欢科幻类型的电影的用户有多少，男女比例。其次，计算机也可以根据这些标签进行深度挖掘。例如，可以利用关联规则计算用户年龄和喜欢电影类型的关系，还可以利用聚类算法分析喜欢科幻类型电影用户的年龄分布情况，将标签信息与用户视频浏览、点播行为数据相结合，就进一步的预测用户的喜好，这对于搜索引擎，广告投放等应用领域，都有着显著的意义。
既然标签化对于用户定性画像有如此重要的作用，那么用户定性画像建模中就有必要考虑以下几个问题：
1、 如何定义和表示标签？包括标签名称、标签类别、标签值的取值范围等。
2、 如何解释标签？主要是对标签的语义信息进行描述，从语义上给出标签的解释。
3、 如何推理标签？主要是定义相应的推理规则，从而实现标签之间的推理。
4、 如何验证标签？包括标签的定义是否合理，标签关系是否一致、正确等。
给用户添加标签的工作还是人工整理方式为主。例如：可以通过分析用户行为，给用户添加标签，其本质是将用户行为看成一个事件，事件的判断是比较难的，通常描述为：什么人，在什么时间，什么地点，做了什么事情。收集用户信息是需要有标识，互联网常用用户表示方法如图：
在使用标签标识用户定性画像的基础上，还可以进行用户调研，根据目标、行为和观点的差异，将用户区分为不同的类型，在每种类型中抽取出典型特征。例如，一些个人基本信息，家庭、工作、生活环境描述，赋予一个名字、一张照片、场景等描述，就形成了一个典型用户画像。人物角色一般会包含与产品使用相关的具体情境、用户目标或产品使用行为描述等。为了让用户画像容易记忆，可以用具体的名字、标志性语言、几条简单的关键特征进行描述。一个产品通常设计3-6个标签代表所有的用户群体。
可以看出，标签是用户定性画像的基础，如何表示、解释、推理、验证标签是用户定性画像建模的关键。
目前基于标签的用户定性画像方法更多的关注标签的获取，在标签的语义解释和推理方面比较薄弱。为了解决这一问题，通常会使用基于知识的用户定性画像分析，这里将引入本体论的知识去表示、解释和推理等。
下一次我们来具体看一下如何实现的过程，拜拜哒
