用于支撑电商平台的个性化推荐、精准广告投放、私域用户运营、内容策略匹配、促销活动分层设计等场景，通过构建动态用户画像，实现“千人千面”的智能营销，有效提升转化率、复购率与客单价。
本系统采用“数据融合 → 特征工程 → 混合聚类 → 动态打标 → 实时更新”五阶段算法架构，各阶段与数据字段严格对应： 1.数据输入与预处理： 系统采集用户行为日志，生成以下基础字段： 近7天浏览商品次数（browse_freq_week）：衡量短期活跃度； 距离上次购买天数（last_purchase_days）：识别流失或高活跃用户； 近30天商品分享次数（social_share_cnt）：评估社交影响力； 历史平均客单价（元）（avg_order_value） 与 最常收藏品类（fav_category）：刻画消费能力与兴趣偏好。 2.人群聚类与标签生成： 基于上述字段构建特征向量，采用 K-Means 与 DBSCAN 混合聚类算法，自动发现潜在人群分组； 结合业务规则与机器学习模型，生成 动态人群标签（crowd_label），例如： 若 历史平均客单价（元）（avg_order_value） ≥ 800 且 最常收藏品类（fav_category） 为“数码”或“奢品”，则打标为“高客单价偏好人群”； 若 距离上次购买天数（last_purchase_days） ≤ 30 且 近30天商品分享次数（social_share_cnt） ≥ 3，则打标为“高活跃社交用户”。 3.实时更新机制： 用户每产生一次有效行为（如浏览、下单、分享），系统触发流式计算； 在5分钟内重新计算相关字段，并更新 动态人群标签（crowd_label） 与 画像更新时间（update_timestamp）； 脱敏用户ID（user_id） 作为唯一键，确保画像数据准确关联至对应用户。 通过 “近7天浏览商品次数（browse_freq_week） + 历史平均客单价（元）（avg_order_value） + 距离上次购买天数（last_purchase_days）” 等多维字段联合建模，实现动态、可解释、可运营的用户分群，非静态规则标签
| 字段名 | 类型 | 描述 |
|---|---|---|
脱敏用户ID（user_id） |
-- | -- |
近7天浏览商品次数（browse_freq_week） |
-- | -- |
历史平均客单价（元）（avg_order_value） |
-- | -- |
最常收藏品类（fav_category） |
-- | -- |
距离上次购买天数（last_purchase_days） |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 脱敏用户ID（user_id） | U100518,U100502,U100087 |
| 近7天浏览商品次数（browse_freq_week） | 19,13,28 |
| 历史平均客单价（元）（avg_order_value） | 744.25,103.18,615.11 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/7180343