基于养宠动态发布内容的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，能够帮助品牌及服务商把握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.加工前的数据说明：（1）加工前的数据为公司基于“宠one小程序”日常记录功能而实时采集的养宠日常记录数据，并已经用户授权合法获得，采集字段包括：用户id、动态内容、类目id和创建时间；（2）数据预处理：过滤动态内容为空或少于5字符的记录，清洗特殊字符与广告内容，标准化时间格式，剔除数据异常记录。
2.处理规则： （1）兴趣分类模型构建：① 采用 RoBERTa-wwm-ext 预训练语言模型作为基础，在其输出层增加一个四分类 Softmax 层，对应四大养宠兴趣类别：饮食营养、健康医疗、行为训练与托管、居住与日常护理；② 将清洗后的动态内容文本直接输入该模型，结合动态所属的类目ID，共同用于模型训练与预测；（2）模型训练：将数据集按8:1:1比例划分为训练集、验证集与测试集，确保样本分布均衡。设置批次大小为32，学习率为5e-5，共训练8个轮次。训练过程同步优化模型全部参数，提升兴趣类别预测准确性。 （3）兴趣类别判定：将预处理后的数据输入微调完成的模型，由Softmax层输出四大兴趣类别的概率分布，取概率最高者作为该动态记录的主兴趣类别。 （4）核心关键词提取：利用微调后模型内部的注意力机制，分析模型在分类决策过程中对“动态内容”各词语的关注权重，直接提取权重最高的词语作为核心兴趣关键词。该过程复用分类模型，无需额外工具或后处理。 （5）最终输出：每条动态记录经处理后，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：每条养宠动态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

该数据集基于养宠社区平台用户发布的动态内容，通过RoBERTa-wwm-ext模型进行微调，挖掘用户的兴趣类别（如行为训练与托管）及其核心关键词（如活泼好动）。数据包含1016条记录，实时更新，可用于精细化用户运营、商业趋势洞察及算法模型迭代优化。