基于记账内容的养宠用户兴趣关键词挖掘数据

1.“宠one小程序”是公司自研的一款宠物社区平台，因此本数据对内有助于实现精细化用户运营。基于通过BERT模型微调生成的用户兴趣画像，运营团队能够精准把握养宠用户的需求动向，从而动态优化内容推荐与服务策略，有效提升用户活跃度与留存。
2.对外可为合作伙伴提供清晰的宠物消费兴趣趋势洞察。经脱敏处理的用户主兴趣类别与关键词，能够帮助宠物品牌及相关服务商把握该行业市场需求的结构性变化，辅助其优化产品规划与营销资源分配，实现更精准的宠物行业商业协同。
3.为算法模型提供持续迭代的高质量训练与验证样本。本数据产出过程本身即依赖于模型微调，其输出的带标注的兴趣画像数据，可直接作为推荐系统及预测模型的反馈信号，用于模型的再训练与优化，形成从数据到模型、再从业务反馈到数据的增强闭环。1.数据来源与预处理
（1）数据来源：加工前的数据为公司基于“宠one小程序”记账功能而实时采集的由小程序用户自行记录的宠物消费记账数据，并已经用户授权合法获得，采集字段包括：：用户ID、记账类型、记账内容、金额、记账时间。
（2）数据预处理：剔除金额≤0的异常记录，清洗内容字段中的特殊字符与停用词。
2.处理规则：
（1）特征构建：对清洗后的“内容”字段应用TF-IDF算法提取文本特征，并与“金额”、“记账类型”字段共同组合为多维特征向量，作为模型输入的一部分。
（2）模型微调：
①基础模型：采用BERT-base-Chinese作为预训练模型进行微调。
②模型结构调整：在 BERT 模型的最终输出层上接入一个全新的Softmax分类层，该层的神经元数量对应四大兴趣类别（饮食营养/健康医疗/行为训练与托管/居住与日常护理），从而构成一个完整的端到端分类模型。
③训练设置：将数据集按8:1:1划分训练集、验证集与测试集。设置批次大小为32，学习率为3e-5，共训练10个轮次。训练过程旨在优化整体模型（包括BERT参数与Softmax层参数），使其能根据输入特征准确预测兴趣类别。
（3）兴趣类别判定：将预处理后的数据输入上述微调好的模型，模型通过末端的Softmax层输出四大类别的概率分布，将概率最高的类别判定为该条记录的主兴趣类别。
（4）核心关键词提取：利用微调后BERT模型内部自带的注意力机制，分析模型在做出分类决策时对“内容”字段中不同词语的关注权重，直接提取注意力权重最高的词语作为单一核心兴趣关键词。此过程与分类任务共享同一个训练好的模型，无需引入外部工具。
（5）最终输出：每条记账记录处理完成后，输出其对应的主兴趣类别与核心兴趣关键词。
3.数据内容描述：加工前的数据经上述算法规则处理后，输出的数据内容为：每条记账记录所对应的主兴趣类别与核心兴趣关键词。

搜集汇总

背景与挑战

背景概述

该数据集基于“宠one小程序”用户授权的宠物消费记账数据，通过BERT模型微调与注意力机制，自动挖掘养宠用户的兴趣类别（如健康医疗、饮食营养）及核心关键词。数据规模为1019条，涵盖用户ID、记账类型、金额、时间及挖掘出的主兴趣类别和关键词，适用于精细化用户运营、宠物市场趋势洞察以及推荐模型的迭代优化，是链接用户行为与商业决策的高质量标注数据集。