课程采用“架构搭建—>特征工程—>标签体系—>算法建模—>人群圈选”的五阶全链路模型，带你从DMP项目架构与Docker大数据环境搭建起步，彻底攻克Hive数仓、HBase、Elasticsearch与ClickHouse的多源异构数据整合难题。课程核心聚焦于用户画像特征工程，深入Spark处理中文分词（TF-IDF）、情感提取（SVM）、特征交叉（FM）以及特征筛选（GBDT/Xgboost），构建高质量的数据底座。你将掌握电商标签体系设计、时间衰减因子计算，并通过朴素贝叶斯预测性别、RFM模型划分用户价值、Kmeans进行消费分群，最终利用ClickHouse Bitmap技术实现亿级用户的毫秒级人群圈选与Lookalike潜客扩展。这不仅是大数据的开发教学，更是对2026年企业级“数据驱动决策、精准营销闭环、实时人群计算”能力的深度重塑，助你从一名数据开发工程师蜕变为具备算法思维与架构设计能力的稀缺数据专家。
课程目录：
构建DMP用户画像(
+—第1章 DMP用户画像项目介绍
| 1-1 关于这门课，你需要知道的.mp4
| 1-2 DMP项目的意义和课程的侧重点.mp4
| 1-3 DMP项目架构及各个模块介绍.mp4
| 1-4 项目技术选型及各组件版本.mp4
| 1-5 【知识点梳理】本章重难点总结.jpg
|
+—第2章 项目环境搭建
| 2-1 本章重点及学习计划[3]_ + [2].mp4
| 2-10 Springboot整合ClickHouse（下）[3]_ + [2].mp4
| 2-11 Spark+phoenix整合Hbase[3]_ + [2].mp4
| 2-12 【项目文档】本章重难点–环境部署步骤_.jpg
| 2-13 【项目文档】本章重难点–表结构和数据导入步骤_.jpg
| 2-14 【项目文档】Hive，ES，ClickHouse导入人群标签数据步骤_.jpg
| 2-15 【项目文档】Hive、Hbase、ES、clickhouse表结构_.jpg
| 2-2 基于docker一键部署大数据开发环境[3]_ + [2].mp4
| 2-3 环境搭建的常见问题及解决方案[3]_ + [2].mp4
| 2-4 数据准备：表结构和数据导入Hive数仓[3]_ + [2].mp4
| 2-5 数据准备：Hive数仓和Hbase同步标签数据[3]_ + [2].mp4
| 2-6 Springboot+JdbcTemplate+druid整合Hive（上）[3]_ + [2].mp4
| 2-7 Springboot+JdbcTemplate+druid整合Hive（下）[3]_ + [2].mp4
| 2-8 Springboot+Mybatis+phoenix整合Hbase[3]_ + [2].mp4
| 2-9 Springboot整合ClickHouse（上）[3]_ + [2].mp4
|
+—第3章 DMP和用户画像
| 3-1 本章重点及学习计划】.mp4
| 3-2 用户画像是如何生成的】.mp4
| 3-3 用户画像的标签维度】.mp4
| 3-4 如何构建高质量的用户画像】.mp4
| 3-5 用户画像和特征工程】.mp4
| 3-6 DMP用户画像的正确使用场景】.mp4
| 3-7 【知识点梳理】本章重难点总结】.jpg
|
+—第4章 用户画像搭建之特征工程
| 4-1 本章重点及学习计划】.mp4
| 4-10 基于FM的特征交叉】.mp4
| 4-11 Spark实现基于FM的特征交叉】.mp4
| 4-12 特征筛选之GBDT和xgboost】.mp4
| 4-13 Spark实现基于Xgboost的特征筛选（上）】.mp4
| 4-14 Spark实现基于Xgboost的特征筛选（下）】.mp4
| 4-15 特征监控方案设计】.mp4
| 4-16 【知识点梳理】本章重难点总结】.jpg
| 4-2 特征工程流程】.mp4
| 4-3 数值型数据的特征提取】.mp4
| 4-4 文本型数据的特征提取】.mp4
| 4-5 使用Spark实现中文分词+TF-IDF】.mp4
| 4-6 Spark基于TF-IDF+SVM实现电商商品评论情感提取（上）】.mp4
| 4-7 Spark基于TF-IDF+SVM实现电商商品评论情感提取（下）】].mp4
| 4-8 类别型和时间型数据的特征提取】[.mp4
| 4-9 构建新特征之特征交叉】].mp4
|
+—第5章 用户画像搭建之标签体系构建
| 5-1 本章重点及学习计划.mp4
| 5-10 商品标签与用户画像标签的匹配度.mp4
| 5-11 【知识点梳理】本章重难点总结】.jpg
| 5-2 电商行业的标签体系以及reachCTR曲线.mp4
| 5-3 用户行为标签的ES存储.mp4
| 5-4 基于TF-IDF的标签权重算法（上）.mp4
| 5-5 基于TF-IDF的标签权重算法（中）.mp4
| 5-6 基于TF-IDF的标签权重算法（下）.mp4
| 5-7 时间衰减因子和用户偏好标签的计算（上）.mp4
| 5-8 时间衰减因子和用户偏好标签的计算（下）.mp4
| 5-9 ES构建Hbase二级索引对标签进行组合查询.mp4
|
+—第6章 用户画像搭建之群体用户画像构建
| 6-1 本章重点及学习计划.mp4
| 6-10 通过订单数据挖掘用户的的行为属性及Spark代码（下）.mp4
| 6-11 DMP的用户分群.mp4
| 6-12 【知识点梳理】本章重难点总结..jpg
| 6-2 朴素贝叶斯分类算法.mp4
| 6-3 使用Spark-ml实现基于朴素贝叶斯预测性别（上）.mp4
| 6-4 使用Spark-ml实现基于朴素贝叶斯预测性别（中）.mp4
| 6-5 使用Spark-ml实现基于朴素贝叶斯预测性别（下）.mp4
| 6-6 基于RFM模型的用户价值划分及Spark代码（上）.mp4
| 6-7 基于RFM模型的用户价值划分及Spark代码（下）.mp4
| 6-8 使用Spark-ml实现基于Kmeans的用户消费分群.mp4
| 6-9 通过订单数据挖掘用户的的行为属性及Spark代码（上）.mp4
|
+—第7章 用户画像搭建之DMP人群管理
| 7-1 本章重点及学习计划.mp4
| 7-10 将Hive数据转换为ClickHouse的Bitmap.mp4
| 7-11 基于Bitmap的ClickHouse人群圈选.mp4
| 7-12 本章知识点梳理.jpg
| 7-2 DMP的标签管理.mp4
| 7-3 DMP生成人群包数据.mp4
| 7-4 人群组合和人群去重.mp4
| 7-5 lookalike的主要算法.mp4
| 7-6 ClickHouse和ES在人群圈选上的对比.mp4
| 7-7 ClickHouse集成Bitmap.mp4
| 7-8 基于宽表的ClickHouse人群圈选.mp4
| 7-9 将Hive数据导入到ClickHouse.mp4
|
+—第8章 项目展示及版本升级解决方案
| 8-1 项目完整演示（上）.mp4
| 8-2 项目完整演示（下）.mp4
| 8-3 版本升级解决方案.mp4
| 8-4 课程总结.mp4
|
\—资料
dmp_personas_system.zip
下载地址：
感谢您的来访，获取更多精彩文章请收藏本站。
