例：如果一个用户访问浏览一个电商平台，注册时没有填写性别，平台如何通过用户产生的访问浏览行为，来计算出用户的性别？
用户浏览了连衣裙，并不能说明用户就是女性。因此，要能够更加准确的向用户推荐个性化商品，就必须通过数据特征提取，函数算法来计算出用户的性别。
用户行为数据采集后，需要存储在数据仓库，对采集的原始数据进行ETL加工处理，首先需要处理掉存储的无效重复数据，对于用户行为没有影响或重复数据，对非结构化数据和半结构化数据进行结构化处理，并对数据进行补缺、替换、数据合并、数据拆分、数据加载和异常处理（这个环节更多是技术程序处理）。
对于加工处理后的用户行为数据，利用开源的机器学习分类器包，调用封装好的各种数据函数，神经网络、支持向量机、贝叶斯等对数据进行聚类、分类和预测，根据第一步设计的用户画像标签体系，对访问平台的用户计算行为特征值，用户特征提取并不是针对所有的标签维度，对于优先关键标签，如果从用户数据库查询不到特征值，就需要调用R函数对其进行计算，最终得出每个标签维度的特征值，依据特征属性值，就可以对用户进行画像处理。
总结一句话：信息采集之后进数据仓库，去重、过滤无用数据，大数据服务器通过自学习将数据聚合、分类、非结构化的信息进行语意理解输出结构化数据，预先设定判断规则【多维的矩阵规则】和权重，根据规则给用户打上标签，最后进行个性化推荐；
