构建CNN用户行为图像分类模型：从数据预处理到精准营销推荐实战

1次阅读

共计 2682 个字符，预计需要花费 7 分钟才能阅读完成。

在电商和内容平台场景中，用户行为数据（如点击流、停留时长、页面跳转路径）是精准营销的黄金矿藏。但原始行为数据往往存在两大痛点：

非结构化特征明显：单个用户的行为序列可能包含数百个离散事件，传统统计方法难以捕捉复杂模式
时序依赖性强烈：用户早上的浏览行为可能影响晚间购买决策，简单聚合会丢失关键信息

将时序行为转化为图像的常见方案：

热力图(Heatmap)：以时间戳为 X 轴，页面 / 商品 ID 为 Y 轴，用颜色深浅表示停留时长
轨迹图(Path Graph)：将用户路径绘制为有向图，节点大小代表访问频次
频谱图(Spectrogram)：对交互事件做短时傅里叶变换，捕捉周期性模式

# 点击流转热力图示例
import numpy as np
def create_heatmap(clickstream, max_time=86400, n_categories=50):
    heatmap = np.zeros((n_categories, max_time//3600))
    for ts, cat_id in clickstream:
        hour = (ts % max_time) // 3600
        heatmap[cat_id % n_categories, hour] += 1
    return cv2.applyColorMap(cv2.normalize(heatmap, None, 0, 255, cv2.NORM_MINMAX), 
        cv2.COLORMAP_JET)

模型类型	参数量	适用场景	优点
ResNet-18	11M	行为模式复杂的大规模数据	残差连接缓解梯度消失
自定义轻量网络	0.5M	移动端实时推荐	低延迟，易部署

推荐使用深度可分离卷积 (Depthwise Separable Convolution) 构建轻量网络：

# PyTorch 通道注意力模块示例
class SEBlock(nn.Module):
    def __init__(self, channel, reduction=16):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(nn.Linear(channel, channel//reduction),
            nn.ReLU(),
            nn.Linear(channel//reduction, channel),
            nn.Sigmoid())

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y  # 特征图通道加权

原始日志解析 ：清洗埋点数据，提取<timestamp, action_type, item_id> 元组
会话分割：根据 30 分钟无活动切分用户会话
图像生成：按上述方法转换序列为图像，统一缩放至 224×224 像素

# Keras 数据生成器示例
class BehaviorDataset(tf.keras.utils.Sequence):
    def __init__(self, log_files, batch_size=32):
        self.sessions = self._parse_logs(log_files)
        self.batch_size = batch_size

    def __getitem__(self, idx):
        batch = self.sessions[idx*self.batch_size:(idx+1)*self.batch_size]
        images = [create_heatmap(sess) for sess in batch]
        labels = [sess[-1][2] for sess in batch]  # 最后点击的 item_id 作为标签
        return np.array(images), tf.one_hot(labels, num_classes)

损失函数选择：对于长尾分布数据，使用 Focal Loss 替代 CrossEntropy

def focal_loss(y_true, y_pred, gamma=2.0, alpha=0.25):
    pt = tf.where(tf.equal(y_true, 1), y_pred, 1-y_pred)
    return -tf.reduce_mean(alpha * tf.pow(1.0-pt, gamma) * tf.math.log(pt))

数据增强策略：
随机水平翻转（时间轴镜像）
添加高斯噪声（模拟埋点遗漏）

硬件环境	输入尺寸	吞吐量(QPS)	单次推理延迟
iPhone 13	224×224×3	62	16ms
Tesla T4	同上	340	2.9ms

过采样策略：对稀有行为模式生成更多变体图像
代价敏感学习：在损失函数中给稀有类别分配更高权重

使用 Grad-CAM 可视化关键行为区域：

# 获取最后一个卷积层的梯度
grad_model = tf.keras.models.Model(
    inputs=model.inputs,
    outputs=[model.get_layer('conv5_block3_out').output, model.output])
with tf.GradientTape() as tape:
    conv_outputs, predictions = grad_model(img_array)
    grads = tape.gradient(predictions, conv_outputs)
    # 计算特征图权重并生成热力图