chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

APP推廣合作
聯(lián)系“鳥哥筆記小喬”
構(gòu)建用戶畫像中所用到的AI算法
2019-09-11 18:00:00
前言
談及用戶畫像,我想產(chǎn)品和運(yùn)營的朋友們都不會陌生,用戶畫像是用戶研究的重要輸出,它能幫助我們更好的進(jìn)行業(yè)務(wù)決策以及產(chǎn)品設(shè)計(jì)。用戶畫像落實(shí)到產(chǎn)品設(shè)計(jì),本質(zhì)上是將數(shù)據(jù)組合成數(shù)據(jù)特征,從而形成用戶的數(shù)據(jù)模型。

構(gòu)建用戶畫像的主流方法有4種:
1、基于數(shù)據(jù)統(tǒng)計(jì)
2、基于規(guī)則定義
3、基于聚類
4、基于主題模型

前兩者是基于已有數(shù)據(jù)的構(gòu)建方法,其缺陷是無法處理數(shù)據(jù)缺失或不在規(guī)則范圍內(nèi)的用戶。而解決這一類問題,也正是機(jī)器學(xué)習(xí)存在的意義,它讓計(jì)算機(jī)像人一樣去學(xué)習(xí)處理問題,并給出答案。

本文將從構(gòu)建用戶畫像的角度和大家分享能夠運(yùn)用在其中的一些AI算法,希望能給大家提供一些價值。

用戶畫像偏向于定性,而產(chǎn)品設(shè)計(jì)是將需求從定性轉(zhuǎn)換為定量的過程,用戶畫像在量化過后我們也稱之為用戶標(biāo)簽。

一、標(biāo)簽的層級
圖1-構(gòu)建用戶畫像的三個步驟
構(gòu)建用戶標(biāo)簽我拆分了三個步驟,分別是層級、生產(chǎn)以及權(quán)重。理解標(biāo)簽的層級能夠幫助我們設(shè)計(jì)產(chǎn)品架構(gòu),并且熟悉標(biāo)簽生產(chǎn)的方法。

圖2-標(biāo)簽的層級劃分方式
標(biāo)簽的層級有兩種劃分方式,方式1是較為常見的做法,而方式2查閱于京東的數(shù)據(jù)分析師凌靖的文章,結(jié)合兩種方式之后形成了下圖圖3。


圖3-標(biāo)簽的層級
標(biāo)簽的每一個層級,可以將其理解為對上一層標(biāo)簽的再次提煉。對照著圖3,我們試著理解這4個層級:

1、原始數(shù)據(jù)
來源于用戶的基礎(chǔ)信息、交易數(shù)據(jù)、訪問數(shù)據(jù),如:用戶的注冊手機(jī)號碼、用戶的歷史訂單、用戶的訪問軌跡等。

2、事實(shí)標(biāo)簽
是對原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析后的初步提煉結(jié)果。


3、模型標(biāo)簽及預(yù)測標(biāo)簽
3-1、模型標(biāo)簽
由一個或多個事實(shí)標(biāo)簽組合而成,是基于模型訓(xùn)練的結(jié)果。以模型標(biāo)簽“交易偏好”為例,它是由交易商品類型、交易場景、交易來源這幾個事實(shí)標(biāo)簽組合而成的。


3-2、預(yù)測標(biāo)簽
以已有的模型標(biāo)簽數(shù)據(jù)作為特征,經(jīng)過機(jī)器學(xué)習(xí)生產(chǎn)的標(biāo)簽。由于預(yù)測標(biāo)簽會映射成為模型標(biāo)簽,所以在圖3中將2者放置于同一個層級。


4、策略標(biāo)簽
策略標(biāo)簽,則是用戶標(biāo)簽構(gòu)建的最終目的,根據(jù)目的提煉用戶,并對用戶進(jìn)行定向的營銷。

標(biāo)簽的層級,指導(dǎo)著產(chǎn)品經(jīng)理構(gòu)建用戶畫像的每個步驟。前兩個層級,我們需要對缺失的數(shù)據(jù)建立數(shù)據(jù)源,對數(shù)據(jù)進(jìn)行清洗、修復(fù)以及特征構(gòu)建等;后兩個層級,我們需要使用合適的方式生產(chǎn)標(biāo)簽。


二、標(biāo)簽的生產(chǎn)
在第一章中我們理解了標(biāo)簽的層級,這一章主要講述標(biāo)簽的生產(chǎn)過程,用戶畫像的構(gòu)建方式不同,生產(chǎn)方式也不同。

1、基于規(guī)則定義的標(biāo)簽生產(chǎn)方式
顧名思義,這種生產(chǎn)方式是根據(jù)固定的規(guī)則,通過數(shù)據(jù)查詢的結(jié)果生產(chǎn)標(biāo)簽。這里的重點(diǎn)在于如何制定規(guī)則。

從數(shù)據(jù)的變化頻次來看,可以將標(biāo)簽劃分為靜態(tài)標(biāo)簽以及動態(tài)標(biāo)簽。靜態(tài)標(biāo)簽變化的頻次低,或者一旦確認(rèn)不做改變。而動態(tài)標(biāo)簽變化頻繁,它會衰減也可能會消失。

以靜態(tài)標(biāo)簽和動態(tài)標(biāo)簽為思路向下順延,我們可以劃分為基礎(chǔ)屬性以及偏好行為兩大類,如下圖圖4所示:

圖4-用戶標(biāo)簽的規(guī)則分類
這是一張比較普適的圖,在實(shí)際應(yīng)用的過程中產(chǎn)品經(jīng)理可以根據(jù)業(yè)務(wù)去定義更多的類型。將類型劃分清楚,用戶標(biāo)簽的生產(chǎn)工具已經(jīng)初具雛形。

在設(shè)置規(guī)則時產(chǎn)品經(jīng)理應(yīng)該適當(dāng)抽象,過于精細(xì)會增加研發(fā)的周期,上線后的數(shù)據(jù)查詢也會有較大的壓力。其次也可能因?yàn)楹Y選條件過多,查詢的數(shù)據(jù)樣本不足,導(dǎo)致空耗資源。

適當(dāng)抽象考驗(yàn)產(chǎn)品經(jīng)理對需求、資源以及應(yīng)用的平衡能力,以用戶訪問行為為例,在初期不建議放開全量查詢,可以優(yōu)先將頻次高、強(qiáng)度高的查詢需求抽象成規(guī)則,如商品詳情、平臺活動、渠道投放等。

基于規(guī)則定義和基于數(shù)據(jù)統(tǒng)計(jì)這兩種用戶標(biāo)簽構(gòu)建方式在產(chǎn)品設(shè)計(jì)中的邏輯是相對簡單的,就不花更多的篇幅解釋了。

2、基于主題模型的標(biāo)簽生產(chǎn)方式
主題模型,最開始運(yùn)用于內(nèi)容領(lǐng)域,目的是找到用戶的偏好,它將內(nèi)容劃分為了3個層級:分類、主題、關(guān)鍵詞。

圖5-基于主題模型的標(biāo)簽生產(chǎn)方式
在用戶標(biāo)簽中我們可以參照分類算法將用戶進(jìn)行分類、聚類,使用關(guān)鍵詞的算法挖掘用戶的偏好,從而生產(chǎn)標(biāo)簽。


2-1、線性支持向量機(jī)
線性支持向量機(jī)(Linear Support Vector Machine)是一種二分類算法,適用于“是與否”,“有或無”的問題,它隸屬于機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)(Supervised Learning)。

圖6-函數(shù)公式
有監(jiān)督學(xué)習(xí),類似我們從小接觸的函數(shù)公式,即根據(jù)輸入(x),和公式f(x)得到輸出(y),假設(shè)x是數(shù)據(jù)的特征,那么經(jīng)過函數(shù)的運(yùn)算后我們能夠得到分類結(jié)果。

以人口屬性為例,非社交應(yīng)用用戶填寫自己性別的主動性較低。當(dāng)我們想了解用戶的性別組成,卻只有10%用戶填寫了性別,而另外90%的用戶的性別是未知的。


在機(jī)器學(xué)習(xí)中,我們會將明確性別的用戶作為數(shù)據(jù)樣本,提取他們的數(shù)據(jù)特征訓(xùn)練模型。以明確性別的用戶的數(shù)據(jù)特征設(shè)為x,性別為y,訓(xùn)練出f(x)的函數(shù)之后,我們將其他未知性別的用戶特征代入到公式f(x)中,從而去預(yù)測他們的性別。


函數(shù)是是由模型訓(xùn)練而成的,線性支持向量機(jī)是怎么訓(xùn)練的呢?
圖7-支持向量機(jī)圖解
在圖7中,我們發(fā)現(xiàn)有一條直線將象限中的數(shù)據(jù)分成了兩部分,而支持向量機(jī)則是找到一條劃分效果最好的直線。劃分效果越好,新數(shù)據(jù)分類錯誤的可能性也越低,而這兩個類別在支持向量機(jī)中我們也叫正樣本和負(fù)樣本。


回到線性支持向量機(jī)的定義:“對于給定的數(shù)據(jù)集,能在樣本空間中找到一條劃分直線,從而將兩個不同類別的樣本分開,并且這條直線距離最接近的訓(xùn)練數(shù)據(jù)點(diǎn)最遠(yuǎn)?!?/span>
圖8-支持向量機(jī)實(shí)例
圖8以購買過男性/女性短袖作為男性用戶和女性用戶的特征,黑點(diǎn)表示為已知的男性用戶,白點(diǎn)為已知的女性用戶。

當(dāng)遇到新的未知性別的用戶,但是我們發(fā)現(xiàn)其有購買過男性短袖這一行為,而這一用戶的數(shù)據(jù)落在了男性部分,所以我們預(yù)測這個用戶是男性。

當(dāng)然在實(shí)際過程中,數(shù)據(jù)的特征絕對不僅是簡單的二維特征,在這里只是方便大家理解。線性支持向量機(jī)在三維求解的是一個分類效果最好的平面,而在高維則是線性函數(shù)。
圖9-線性支持向量機(jī)的目標(biāo)函數(shù)
線性支持向量機(jī)的目標(biāo)函數(shù)求解的過程比較復(fù)雜(文末彩蛋預(yù)警),在小規(guī)模數(shù)據(jù)集中線性支持向量機(jī)的表現(xiàn)是較好的,但是由于受到了數(shù)據(jù)量的限制,我們會運(yùn)用訓(xùn)練更加簡單并且能實(shí)時計(jì)算的算法——邏輯回歸。

2-2、邏輯回歸
邏輯回歸(Logistic Regression)是和線性支持向量機(jī)非常相似,它們都是有監(jiān)督學(xué)習(xí)方法,在不考慮核函數(shù)時都是線性的分類方法。其不同點(diǎn)在于,線性支持向量機(jī)是基于距離分類,而邏輯回歸是基于可能性分類。

理解邏輯回歸之前,我們先復(fù)習(xí)一下最簡單的一元線性回歸。一元線性回歸的公式是:y=kx+b。
圖10-一元線性回歸圖例
我們假定圖10中的直線,代表著人在勻速狀態(tài)下路程與速度的關(guān)系。但在實(shí)際情況下人的速度不是恒定的,我們沒有辦法使不同時間的速度都穿過這條直線。退而求其次,我們?nèi)フ乙粭l最接近這些速度數(shù)據(jù)的支線。

看到圖10的函數(shù)圖例,大家會發(fā)現(xiàn)線性回歸和線性支持向量機(jī)非常的相像,線性回歸與邏輯回歸有什么關(guān)系?邏輯回歸又是怎樣的一種分類方式?


邏輯回歸在線性回歸的基礎(chǔ)上套用了sigmoid函數(shù),它將回歸函數(shù)的結(jié)果映射在sigmoid函數(shù)之中,這個函數(shù)的特點(diǎn)是其值域分布在[0,1]之間,1和0對應(yīng)了二分類的“是與否”,隨著x值的變化,y值會不斷的趨近于0或1,這種趨近我們稱之為可能性。
圖11-sigmoid函數(shù)圖例

在線性支持向量機(jī)中只有兩種值:正樣本和負(fù)樣本,而邏輯回歸除了分類還能夠表達(dá)分類的概率。


2-3、文本挖掘算法:TF-IDF
TF意思是詞頻(Term Frequency),IDF意思是逆文本頻率指數(shù)(Inverse Document Frequency),在用戶畫像的構(gòu)建中我們會將其運(yùn)用于生產(chǎn)用戶的偏好標(biāo)簽。

TF表述的核心思想是,在1條文本中反復(fù)出現(xiàn)的詞更重要。而IDF的思想是,在所有文本都出現(xiàn)的詞是不重要的,IDF用于修正TF所表示的計(jì)算結(jié)果。


圖12-TF-IDF計(jì)算公式
上文描述TF-IDF能夠用于生產(chǎn)用戶的偏好標(biāo)簽,其中的原理是什么呢?

我們將一名用戶類比為一篇文章,用戶瀏覽的商品標(biāo)題在分詞匯總后作為其中的詞庫,平臺的用戶總數(shù)即為文本總數(shù),出現(xiàn)該詞語的文本數(shù)作為有同樣瀏覽行為的用戶。這樣轉(zhuǎn)置過后,就能夠進(jìn)行計(jì)算了。
圖13-用戶A的商品瀏覽記錄
以用戶A為例,用戶A擁有3條瀏覽記錄,分詞后總計(jì)17個詞。
設(shè):平臺的用戶總數(shù)=10000人,用戶瀏覽過的商品標(biāo)題帶有“黑色”1詞的用戶有500人,底數(shù)為2。
圖14-標(biāo)簽“黑色”的TF-IDF
以底數(shù)為2,可計(jì)算“黑色”這個標(biāo)簽對用戶的權(quán)重是0.52,有了權(quán)重我們能夠?qū)⑵溥\(yùn)用于尋找相似用戶。

三、標(biāo)簽的權(quán)重
圖15-標(biāo)簽權(quán)重計(jì)算公式
標(biāo)簽權(quán)重的計(jì)算公式來源于趙洪田撰寫的文章《用戶標(biāo)簽之標(biāo)簽權(quán)重算法》,權(quán)重公式的解讀如下:
1、行為類型權(quán)重
指的是對于同一類標(biāo)簽,由于其行為的輕重不同所以權(quán)重不同。


如:用戶對于某商品有過生成訂單的行為,根據(jù)訂單未支付、已支付未退款、已支付已退款三種訂單狀態(tài),制定不同的權(quán)重。


2、時間衰減因子
時間衰減因子體現(xiàn)了標(biāo)簽的熱度隨著時間逐漸冷卻的過程,它來源于牛頓冷卻定律。

圖16-牛頓冷卻定律原始公式
定律描述的是物體的冷卻速度與其當(dāng)前溫度和室溫之間的溫差成正比。運(yùn)用于新聞領(lǐng)域,一條新聞可能在今天它的“溫度”是最高的,但是隨著時間,這條新聞會逐漸的變成和普通新聞一樣的“溫度”。

經(jīng)過對牛頓冷卻定律的推導(dǎo),我們得出了以下公式:

圖17-冷卻系數(shù)計(jì)算公式
將公式翻譯成中文:當(dāng)前溫度=原始溫度 X exp(-冷卻系數(shù) X 間隔時間)
運(yùn)用于標(biāo)簽的翻譯:當(dāng)前權(quán)重=原始權(quán)重 X exp(-冷卻系數(shù) X 間隔時間)

如:將用戶發(fā)生行為的當(dāng)日該偏好的權(quán)重設(shè)置為1,10天后設(shè)置為0.2,也就是經(jīng)過9天后權(quán)重會衰減是0.2,將已知變量代入到圖13的公式中,經(jīng)過指數(shù)的運(yùn)算得到冷卻系數(shù),從而得到時間衰減因子。

對于不同的標(biāo)簽,時間的衰減因子系數(shù)是不同的,有的標(biāo)簽甚至是不受時間所影響,在計(jì)算時可以不必考慮衰減因子。

公式中的TF-IDF、行為頻次,前者已經(jīng)描述過,后者也比較好理解在這里也不再贅述。標(biāo)簽的權(quán)重可以用于查找相似用戶,進(jìn)行個性化推薦,如果有有興趣的朋友可以閱讀我的上一篇文章《如何理解個性化推薦中的數(shù)學(xué)原理》。


寫在最后
近期恰好設(shè)計(jì)了用戶標(biāo)簽的提取工具,撰寫本文原意是想回顧項(xiàng)目、查漏補(bǔ)缺。過程中閱讀了一些人工智能的書籍,給了自己很多的啟發(fā),于是也將所了解的一些算法添加進(jìn)來,如果有理解不正確的地方也請朋友們不吝指教。

這篇文章涉及的算法部分主要參考了:《產(chǎn)品經(jīng)理進(jìn)階:100個案例搞懂人工智能》,這是一本很好的工具書,提供了特別好的知識框架讓我體系化的認(rèn)識人工智能,在此也為朋友們極力推薦這本書:

重點(diǎn)參考資料
1、林中翹—《產(chǎn)品經(jīng)理進(jìn)階:100個案例搞懂人工智能》
2、吳軍—《數(shù)學(xué)之美》
3、CWS_chen—《用戶畫像原理、技術(shù)選型及架構(gòu)實(shí)現(xiàn)》
https://blog.csdn.net/SecondLieutenant/article/details/81153565
4、凌靖—《用戶畫像》
https://zhuanlan.zhihu.com/p/34385914
5、Jack Cui—機(jī)器學(xué)習(xí)實(shí)戰(zhàn)教程(八):支持向量機(jī)原理篇之手撕線性SVM
https://cuijiahua.com/blog/2017/11/ml_8_svm_1.html
6、伏草唯存—邏輯回歸模型算法研究和案例分析
https://cloud.tencent.com/developer/article/1330810
7、hffzkl—基于牛頓冷卻定律的時間衰減函數(shù)模型
https://blog.51cto.com/9269309/1865554
8、趙宏田—《用戶標(biāo)簽之權(quán)重算法》
9、劉星辰—《基于文本挖掘的用戶畫像系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)》
10、Coding Fish—《SVM原理及推導(dǎo)》
https://www.jianshu.com/p/05693f2091b7
彩蛋:
第10項(xiàng),SVM的推導(dǎo)過程筆者還沒有完全推導(dǎo)成功,愿意講課的朋友請你吃飯呀~
Wise Wong
分享到朋友圈
收藏
收藏
評分

綜合評分:

我的評分
Xinstall 15天會員特權(quán)
Xinstall是專業(yè)的數(shù)據(jù)分析服務(wù)商,幫企業(yè)追蹤渠道安裝來源、裂變拉新統(tǒng)計(jì)、廣告流量指導(dǎo)等,廣泛應(yīng)用于廣告效果統(tǒng)計(jì)、APP地推與CPS/CPA歸屬統(tǒng)計(jì)等方面。
20羽毛
立即兌換
一書一課30天會員體驗(yàn)卡
領(lǐng)30天VIP會員,110+門職場大課,250+本精讀好書免費(fèi)學(xué)!助你提升職場力!
20羽毛
立即兌換
順豐同城急送全國通用20元優(yōu)惠券
順豐同城急送是順豐推出的平均1小時送全城的即時快送服務(wù),專業(yè)安全,準(zhǔn)時送達(dá)!
30羽毛
立即兌換
Wise Wong
Wise Wong
發(fā)表文章29
鵝廠產(chǎn)品,目前負(fù)責(zé)用戶運(yùn)營數(shù)據(jù)及應(yīng)用體系建設(shè)。曾主導(dǎo)完成保險及煙草營銷平臺,煙草調(diào)研平臺等多個項(xiàng)目。
確認(rèn)要消耗 羽毛購買
構(gòu)建用戶畫像中所用到的AI算法嗎?
考慮一下
很遺憾,羽毛不足
我知道了

我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實(shí)國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求,為完善跟帖評論自律管理,為了保護(hù)用戶創(chuàng)造的內(nèi)容、維護(hù)開放、真實(shí)、專業(yè)的平臺氛圍,我們團(tuán)隊(duì)將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進(jìn)行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容,同時也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。


一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護(hù)法》等法律法規(guī),對以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息,主要表現(xiàn)為:
    1)反對憲法所確定的基本原則;
    2)危害國家安全,泄露國家秘密,顛覆國家政權(quán),破壞國家統(tǒng)一,損害國家榮譽(yù)和利益;
    3)侮辱、濫用英烈形象,歪曲、丑化、褻瀆、否定英雄烈士事跡和精神,以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù);
    4)宣揚(yáng)恐怖主義、極端主義或者煽動實(shí)施恐怖活動、極端主義活動;
    5)煽動民族仇恨、民族歧視,破壞民族團(tuán)結(jié);
    6)破壞國家宗教政策,宣揚(yáng)邪教和封建迷信;
    7)散布謠言,擾亂社會秩序,破壞社會穩(wěn)定;
    8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪;
    9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序;
    10)侮辱或者誹謗他人,侵害他人名譽(yù)、隱私和其他合法權(quán)益;
    11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式,對未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的;
    12)危害未成年人身心健康的;
    13)含有法律、行政法規(guī)禁止的其他內(nèi)容;


2. 不友善:不尊重用戶及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為:
    1)輕蔑:貶低、輕視他人及其勞動成果;
    2)誹謗:捏造、散布虛假事實(shí),損害他人名譽(yù);
    3)嘲諷:以比喻、夸張、侮辱性的手法對他人或其行為進(jìn)行揭露或描述,以此來激怒他人;
    4)挑釁:以不友好的方式激怒他人,意圖使對方對自己的言論作出回應(yīng),蓄意制造事端;
    5)羞辱:貶低他人的能力、行為、生理或身份特征,讓對方難堪;
    6)謾罵:以不文明的語言對他人進(jìn)行負(fù)面評價;
    7)歧視:煽動人群歧視、地域歧視等,針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊;
    8)威脅:許諾以不良的后果來迫使他人服從自己的意志;


3. 發(fā)布垃圾廣告信息:以推廣曝光為目的,發(fā)布影響用戶體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容,或進(jìn)行相關(guān)行為。主要表現(xiàn)為:
    1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式:
    2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容;
    3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容;
    4)多次發(fā)布包含欺騙性外鏈的內(nèi)容,如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等,誘騙用戶點(diǎn)擊鏈接
    5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光;
    6)購買或出售帳號之間虛假地互動,發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
    7)發(fā)布包含欺騙性的惡意營銷內(nèi)容,如通過偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營銷;
    8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。


4. 色情低俗信息,主要表現(xiàn)為:
    1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述;
    2)涉及色情段子、兩性笑話的低俗內(nèi)容;
    3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容;
    4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想;
    5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適;
    6)炒作緋聞、丑聞、劣跡等;
    7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。


5. 不實(shí)信息,主要表現(xiàn)為:
    1)可能存在事實(shí)性錯誤或者造謠等內(nèi)容;
    2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容;
    3)偽造身份、冒充他人,通過頭像、用戶名等個人信息暗示自己具有特定身份,或與特定機(jī)構(gòu)或個人存在關(guān)聯(lián)。


6. 傳播封建迷信,主要表現(xiàn)為:
    1)找人算命、測字、占卜、解夢、化解厄運(yùn)、使用迷信方式治病;
    2)求推薦算命看相大師;
    3)針對具體風(fēng)水等問題進(jìn)行求助或咨詢;
    4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失,包括通過占卜方法問婚姻、前程、運(yùn)勢,東西寵物丟了能不能找回、取名改名等;


7. 文章標(biāo)題黨,主要表現(xiàn)為:
    1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導(dǎo)用戶;
    2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲;
    3)使用夸張標(biāo)題,內(nèi)容與標(biāo)題嚴(yán)重不符的。


8.「飯圈」亂象行為,主要表現(xiàn)為:
    1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
    2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
    3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
    4)以號召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號」形式刷量控評等行為
    5)通過「蹭熱點(diǎn)」、制造話題等形式干擾輿論,影響傳播秩序


9. 其他危害行為或內(nèi)容,主要表現(xiàn)為:
    1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的;
    2)不當(dāng)評述自然災(zāi)害、重大事故等災(zāi)難的;
    3)美化、粉飾侵略戰(zhàn)爭行為的;
    4)法律、行政法規(guī)禁止,或可能對網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。


二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個用戶發(fā)布違規(guī)內(nèi)容時,本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴(yán)重程度,對帳號進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號,或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時,本網(wǎng)站將加重處罰。


三、申訴
隨著平臺管理經(jīng)驗(yàn)的不斷豐富,本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的,將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議,可以通過「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)

我知道了
恭喜你~答對了
+5羽毛
下一次認(rèn)真讀哦
成功推薦給其他人
+ 10羽毛
評論成功且進(jìn)入審核!審核通過后,您將獲得10羽毛的獎勵。分享本文章給好友閱讀最高再得15羽毛~
(羽毛可至 "羽毛精選" 兌換禮品)
好友微信掃一掃
復(fù)制鏈接