权甜甜 王虎

摘 要：大数据时代必然会导致“信息过载（information overload）”现象，企业如何在海量的用户行为数据中准确判断用户属性，是精准营销等领域值得思考的问题。特别是在搜索领域，搜索公司几乎无法获得用户的真实属性信息，但用户的基本属性很大程度上可以影响到用户查看不同广告的可能性。基于背景，利用Doc2Vec、TF-IDF算法对搜索数据进行特征提取，并借助机器学习算法、XGBoost算法构建了用户基本属性混合预测模型，并对模型的准确性进行了检验。

关键词：搜索数据；Doc2Vec；TF-IDF；机器学习算法；用户基本属性混合预测模型

中图分类号：TB 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.16.099

1 引言

据CNNIC最新数据显示，截至2017年6月，我国网民规模达到7.51亿，半年共计新增网民1992万人，半年增长率为2.7%。互联网给我们带来便利的同时，也带了很多安全隐患。2016年12月10日，京东一个12G的数据包被流传到网上，其中包括京东注册用户的姓名、密码、邮箱、QQ号、电话号码、身份证等多个维度的数据，数据量达到了千万条。2017年国内外网络信息安全泄露事件主要有58同城全国简历泄露、国外巨头Dun%Bradstreet 52G数据库遭泄露、印度麦当劳220W用户收据遭泄露等。随着近年来信息泄密事件的频繁发生，用户越来越不愿意将自己的真实属性及其他信息透漏给第三方平台。

对于搜索企业，其主要的收入来源于广告。艾瑞咨询发布的《2017年中国网络广告市场年度监测报告》中显示，2016年，互联网广告的市场份额为2902.7亿元。报告中指出2016年电商广告的市场份额已经超过搜索广告，并且有逐渐增长的趋势。……