--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 560 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=560&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=560&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=550&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=570&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=560 | PRINTED_PAGE=NOT_DETECTED 降维更重要的目的是提取用户本质的行为。通过降维，我们可以在原来庞大的矩阵中提取本质信息，来代表用户兴趣中最稳定的部分，它也是模型可以用来预测行为的部分。比如说在矩阵中，有一个用户看过很多动作电影，而且对动作电影的评分都非常高，那么说明这个用户对动作电影感兴趣，如果向他推荐此类电影，他观看的可能性就会比较高。 通过这样的方法，我们可以预测新的信息。具体是如何实现的呢？当我们用矩阵分解模型把大矩阵分解成两个小的矩阵之后，需要再把这两个小矩阵乘起来，重构一个新矩阵。在这个重构的新矩阵里会有更多非零的数值，而且排列要比原来的矩阵稠密一些。这时就可以根据新矩阵中的非零数值进行推荐，比如选取用户所在的那一行预测出来最大的非零数值，再把这个非零数值所对应的商品或服务推荐给用户。 这就是矩阵分解“协同过滤”思想核心的地方。通过矩阵分解还原用户和商品数据中的规律，再通过重构矩阵来预测出原始矩阵中不存在，但是用户可能感兴趣的商品，然后把它们推荐给用户。为什么这个模型能够准确地预测用户的兴趣呢？比如说，如果许多人都看过某几部电影，那推荐模型就会认为这些人的需求相似，就可以把这个群体中一些人看过的其他电影，推荐给这个群体中没有看过这部电影的人。同样，推荐模型也会认为这些电影之间存在相似性，当这个群体之外的人看过这些电影中的一部，就可以向他推荐这些电影中的其他几部。 为了更好地理解推荐模型，我们下面来举一个实例。如图4-25，最左边表示的是在某视频网站上观看电影的名称和相应的评分。行对应的是不同的用户，列对应的是不同的影片，分别是《红海行动》《我不是药神》《无名之辈》《芳华》《寻梦环游记》《神秘巨星》，数字表示的是不同用户对这些电影的评分。这个表格其实也可以类比实体商品的消费数据，只需要把影片换成实体商品就可以了。如果想知道一个用户是否对其他商品或商家感兴趣，感兴趣的程度有多高，都可以通过这类推荐模型实现。 ## PDF_PHYSICAL_PAGE_INDEX=561 | PRINTED_PAGE=NOT_DETECTED 从图4-25可以得知，第四个用户对《红海行动》的评分为5分，对《我不是药神》的评分为8分。如果想要继续知道这个用户对《无名之辈》的感兴趣程度，就需要把整个矩阵通过模型做分解。图4-25右边的部分展示了分解的过程。首先，我们将大的矩阵分解成两个小的矩阵，左边的矩阵每一行对应一个用户，右边的矩阵每一列对应一部电影。两个小矩阵的每一行或者每一列对应本质的兴趣特征，就像DNA存储了生物的基因信息一样。在左边的矩阵里，每一行是关于用户兴趣的DNA；在右边的矩阵里，每一列是关于影片的DNA。如果我想知道第四个用户对《无名之辈》的兴趣度有多大，我就可以把第四个用户的DNA和《无名之辈》影片的DNA乘在一起，算出一个数字，这个数字对应在这个未知的空格中。这个数可能是8也可能是1，如果是8，代表用户对这部影片的兴趣度很大，如果是1，代表用户对这部影片的兴趣度很小。 红海 我不是 无名 芳华 寻梦环 神秘 行动 药神 之辈 游记 巨星 ## PDF_PHYSICAL_PAGE_INDEX=562 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=563 | PRINTED_PAGE=NOT_DETECTED 图4-25 某视频网站推荐模型示意图 现在我们来总结一下矩阵分解模型推荐功能的原理：首先，模型会把消费数据分解为两个小的矩阵，再把矩阵的行和列进行组合，相当于数学上的向量乘法，组合之后就可以预测出行和列交叉处的兴趣值。计算出来的兴趣值大小不一，但是数值越大代表用户的兴趣度越高，所以我们就可以根据兴趣值，向用户推荐他们没有购买消费过，但兴趣值很高的商品或服务。这是各大电商网站推荐商品的原理，也是视频网站上影片推荐的方式。只要用户购买过商品，结合用户的购买行为以及其他具有类似需求的用户的购买行为，矩阵分解模型就可以把最恰当的商品或服务推荐给用户，这是基于消费数据的推荐模型中最基本的框架。 奈飞的电影推荐，电商网站的商品推荐，金融机构向客户交叉销售产品，都可以应用这一类推荐模型。这种推荐模型能够从消费数据中提取规律，为用户推荐最适合他的选择，这是推荐模型最核心的思想。例如，随着生活节奏的加快，人们的闲暇时间越来越少，所以很多人会选择在网络上购物，而各大电商平台也都设置了购买之后的用户评价功能。如果一个用户在购买商品之后给了五星好评，那就说明他对这个商品很满意，这个商品符合他的需求，之后推荐模型就会向与这个用户具有相似喜好的其他用户推荐该商品。 客户生命周期价值理解消费数据 接下来我们就来讲一下第二类消费数据处理的模型框架：客户生命周期价值。客户生命周期指的是从一个客户想了解企业的一些信息或者企业想开发这个客户开始，一直到客户和企业的业务关系以及业务的相关事宜完全结束并且处理完毕的这段时间。对于一个企业来讲，客户生命周期描述的是客户与企业的关系从开始到发展再到结束这样不同状态间运动的总体特征，形象地讲，客户与企业的关系经历了诞生、成长、成熟、衰老和死亡这样一个完整的生命过程。 ## PDF_PHYSICAL_PAGE_INDEX=564 | PRINTED_PAGE=NOT_DETECTED 客户生命周期分析经常应用于零售行业，指的是客户从成为某商家的客户并产生业务消费开始，经过消费成长、消费稳定和消费下降阶段，最后完全不在这个商家购物的过程。客户生命周期价值指的是一个公司或者产品预计在与客户的整个业务关系中获得的利润。让客户在生命周期中产生商业价值才是一个企业运营的最终使命，所以企业在运营过程中要尽一切可能来延长客户的生命周期，在客户的生命周期中要尽一切可能来产生商业价值。那么我们如何预测客户生命周期的价值呢？ 一般来说，我们都是从已有的消费数据来推算客户生命周期的价值的。从一个简单的角度来讲，对一个客户的消费数据而言，最重要的三个变量分别是：最近一次消费时间（recency）、消费频率（frequency）、消费金额（monetary）。 图4-26表示的是一个客户在6个月内的购物行为。一个购物车代表一个月，这个客户在第2个月和第5个月购买了商品，其他时间没有买。在这里，总观察时长是6，最近一次消费时间是5，消费频率是2。掌握了这些变量后，我们就可以计算很多跟消费者有关的指标，比如：客户在将来某个时间点活跃的概率、客户在将来某个时间段购买次数的预期值、客户剩余交易次数的预期值和客户剩余生命周期价值等。其中，客户剩余生命周期价值是CLV的一种体现。 ## PDF_PHYSICAL_PAGE_INDEX=565 | PRINTED_PAGE=NOT_DETECTED 图4-26 客户生命周期的变量示意图 那么我们是如何计算这些指标的呢？最重要的是，我们需要一个描述客户消费行为的模型，下面来讲一个最基本的CLV模型：在每个时间点，客户都有一定的概率购买，也有一定的概率失活，也就是再也不买了。购买概率和失活概率本身也是变量，因此我们要用模型去表示它们。国际著名的《营销科学》（Marketing Science）杂志曾有一篇文章讲了这个模型，并得出了一个有趣的结论：上面说的客户在将来某个时间点活跃的概率、客户在将来某个时间段购买次数的预期值、客户剩余交易次数的预期值和客户剩余生命周期价值这4个与客户相关的指标，都是可以用最近一次消费时间和消费频率，以及购买概率、失活概率相关的模型参数来表示的。而这些模型参数通过人工智能计算可以求得最优解，将其代入前面提到的4个指标后，用最近一次消费时间和消费频率，就可以算出跟客户将来消费相关的一系列指标。这个结论表明了最近一次消费时间和消费频率在消费数据分析领域的重要性。同样，消费金额也有类似的作用。 在与客户相关的4个指标中，商家最关心的指标是客户剩余生命周期价值。顾名思义，客户剩余生命周期价值就是客户在之后的生命周期中还有多少价值。比如一个客户在一个行业中的生命周期已经到了消费稳定阶段，那这个客户的剩余生命周期价值就是在消费稳定以及消费下降这两个阶段所带来的价值。剩余生命周期价值的数值可以通过求利润率、每笔交易收入以及客户剩余交易次数的预期值的乘积来得出。商家可以根据客户的剩余生命周期价值来判断，这个客户还会不会购买自己的商品，能够购买多少商品，商家还要不要对这个客户进行营销，如何营销等。这样，商家既能有效地控制成本，又能有针对性地进行推广，广告营销的投资回报率也会相应提高。 除了上述模型外，在客户关系管理中的RFM模型也可以用来理解消费数据。RFM模型能够有效地衡量客户的价值以及客户创造利润的能力，其中的R、F、M就是上面提到的理解消费数据最重要的三个变量： ## PDF_PHYSICAL_PAGE_INDEX=566 | PRINTED_PAGE=NOT_DETECTED 最近一次消费时间、消费频率、消费金额。这三个数据是零售商最感兴趣的三个数字，也是在预测客户价值过程中必不可少的三个指标。最近一次消费时间是指客户上一次的消费时间，最近一次消费时间越近的客户，对商品和服务印象越深，再次购买商品和服务的可能性就越大。消费频率是指客户在一定时间段内所购买商品或服务的次数，这个次数越多，那说明该客户对商品或服务的满意度越高，对于企业品牌有一定忠诚度，这样的客户重复购买商品或服务的可能性也就越大，而且还是持续性的。消费金额同理，金额越高说明客户对商品或服务越满意，再次购买的可能性就越大。 通过RFM模型可以把客户群区分开，得到不同价值的客户群，比如分成重要维持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户和无价值客户等几个类别。这在智能化客户管理中很重要，很多企业已经对此进行了实践。比如说在没有对客户进行区分的情况下，某家商店可能会付出一定的成本给1 000位无差别的用户发短信，通知他们商店有新品上架，欢迎购买，但是可能只会收到100个订单。但是有了RFM模型之后，商家就可以只将这1 000条短信发给重要维持客户、重要发展客户这些购买概率大的客户，付出同样的成本，收到的订单数却会大大上升。而且当RFM模型对用户进行区分之后，发的短信就可以不用千篇一律了，比如给那些以前经常购买但有一段时间没有购买过商品的客户，短信的开头可以是“好久不见”，而对于那些在短时间内购买很多商品的客户，短信的开头可以是“恭喜您成为本店的VIP客户”。对于客户来说，这样千人千面的短信比那些同质化的短信更具有吸引力，他们再次光顾的可能性也就更大。 人工智能通过客户生命周期的价值来理解消费数据的重要意义是：根据客户有限的消费数据，可以推测他将来是否会继续消费，消费金额是多少。对于那些消费可能性高的客户，商家可以采取相应措施来刺激他们的消费；对于那些消费可能性低的客户，商家也可以采取一些措施来防止客户流失。 ## PDF_PHYSICAL_PAGE_INDEX=567 | PRINTED_PAGE=NOT_DETECTED 消费数据仿佛一棵茂盛的大树，盘根错节，枝蔓横生。但是AI思维就是要在这些看似复杂的数据中抓取其最本质的特征，为决策提供依据。理解消费数据的过程就是通过人工智能对这些数据抽丝剥茧、披沙拣金的过程。人工智能理解了消费数据，就可以通过推荐模型提高客户的购买率，可以通过客户的生命周期价值模型提高客户的价值。总之，人工智能理解了消费数据后，就可以从各个角度刺激客户的购买欲，增加企业商品和服务的销量，提高企业的商业价值，对企业的发展起到强有力的推动作用。理解了消费数据，我们就扣住了AI思维中的重要一环，在决策中真正做到对症下药，一针见血。 AI理解社交数据 人类天生就是一种群居动物，社交是我们与生俱来的属性。几百年前人们鸿雁传书交流信息，几十年前人们通过电话与千里之外的人沟通感情。现在，我们动动手指就能在手机上和牵挂的人联系。日常生活中，我们也无时无刻不在与其他人沟通交流。我们离不开社交，每时每刻都在产生着社交数据。这些数据里包含着我们的喜怒哀乐，反映出我们与这个社会的联系，所以我们这一节就来介绍一下人工智能是如何理解社交数据的。 我们在进行社交的过程中，会和许多人建立关系，这样就形成了社交网络。由于我们的时间和精力是有限的，不可能和许多人保持紧密的社交关系。一般来说，一个人的社交网络最大只能包含150个人，平均在124个人左右。也许你听说过，不论你想要认识谁，只要通过6个人就可以认识他，这就是被美国社会学家斯坦利·米尔格拉姆（Stanley Milgram）证明的六度人脉理论。在社交网络中，每个人都是一个节点，人与人之间的关系就是社交网络的边。在现实生活中，以社交网络的节点为基础，通过社交网络的边，就可以拓展我们的人脉。 ## PDF_PHYSICAL_PAGE_INDEX=568 | PRINTED_PAGE=NOT_DETECTED 在社交网络中有一个重要的概念叫作中心性，它表示的是一个节点在网络中处于核心地位的程度。中心性有三种计算方法，分别是度中 心 性 （ degree centrality ） 、 中 介 中 心 性 （ betweennesscentrality）和紧密中心性（closeness centrality）。 第一种，度中心性。在社交网络中，度中心性表现的是一个节点与很多其他节点发生的直接联系。一个节点连接的节点越多，这个节点也就越重要，处于中心地位，这个是比较直观的指标。比如说，用户甲的社交账号上有50个好友，这就意味着有50个节点与甲相连接；如果在同样的社交平台上，用户乙的社交账号有100个好友，那么乙的度中心性就比甲要高，社交圈子比甲要广。 第二种，中介中心性。中介中心性是指一个节点出现在其他节点之间的最短路径的次数。如果这个节点的中介中心性高，它对整个网络信息的传播就会有很大的影响。例如我们的不少朋友可能都是通过某位社交达人才认识的，那么很显然，这位社交达人起到了中介作用。换句话说，就是这个节点相当于一个关口，和它相连的节点想要到其他节点都得经过它。 第三种，紧密中心性。紧密中心性指的是一个节点到其他所有节点最短路径的和，主要用来考察一个节点在传播信息时对其他节点的依靠程度。如果一个节点离其他节点越近，那么这个节点就不会受制于其他节点，它传播信息的时候也就越不需要依赖其他人。比如，在一个公司里，甲只认识本部门的几个人，而乙除此之外还认识部门外的其他人，那么乙的紧密中心性就要比甲高，因为甲要与非本部门的人进行信息传递可能需要经过乙的搭线，而乙因为本身就认识其他部门的人，则不存在这些限制。 通过这三种方式，我们就可以找到中心性高的节点，也就是找到在社交过程中会产生很大影响的人或者组织。中心的节点有着不可取代的重要性，它们更具有权威性、中枢性、核心性等特征，同时也具有更多的经验和影响力，对社区的形成起着决定性的作用。比如说在营销领域，我们需要挖掘意见领袖，这时候意见领袖就是中心节点，因为，通过意见领袖展开的营销才能更具影响力，更容易被大众相信，营销效果也才会提升。 ## PDF_PHYSICAL_PAGE_INDEX=569 | PRINTED_PAGE=NOT_DETECTED 社区发现模型 下面谈谈什么是社区发现。社区是由一组连接紧密的节点组成的，并且这些节点与社区外部的节点连接稀疏。如图4-27所示，可以看出图上有三个社区，符合这样的规律。不同社区之间的关系稀疏，因而社区更多地反映的是网络中的个体之间的关联关系。研究网络中的社区对理解整个网络的结构和功能起到至关重要的作用，还可以帮助我们分析、预测整个网络各节点间的关系。社区发现就是在复杂网络中发现这些连接紧密的社区结构，或者说，社区发现就是网络中节点的聚类。举个例子，在一个班级里面，有的学生喜欢文学，有的学生喜欢绘画，有的学生喜欢数学，有相同喜好的学生之间联系会更为紧密和频繁，根据这些交流的频繁程度，可以把整个班级里的同学分成几个不同的社区。又或者说，在公司里，总会有几个联系较为紧密的小群体，例如，一部分人经常聚在一起讨论工作学习，还有一些人经常聚在一起讨论时尚潮流，根据他们之间联系的紧密程度和频率高低，很自然地能够发现这两个人群已经各自形成一个社区。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=570&limit=10)