基于結(jié)合大數(shù)據(jù)技術(shù)的用戶畫像推薦方法

　　[摘要]伴隨大數(shù)據(jù)技術(shù)的廣泛應(yīng)用及融合媒體的進一步發(fā)展，社交網(wǎng)絡(luò)和基于社交的互聯(lián)網(wǎng)應(yīng)用不斷涌現(xiàn)，隨之而來的就是爆炸性的數(shù)據(jù)增長。對于各大網(wǎng)站而言，如何有效采集用戶數(shù)據(jù)并為其提供相應(yīng)的推薦，無疑是一項極為重要的課題。以往僅僅只能作為信息受眾的用戶也可以是信息的來源。在互聯(lián)網(wǎng)的內(nèi)容消費方面，其格局也由買方市場代替了賣方市場。用戶對于各類新媒體信息內(nèi)容的喜好偏向個性化、碎片化與定制化。不同類型的用戶群體對內(nèi)容方面的需求有很大區(qū)別。因此新媒體內(nèi)容生產(chǎn)者也需要順應(yīng)目標用戶群體的需求喜好，并探索出能夠生產(chǎn)出有針對性的高價值內(nèi)容的模式，令內(nèi)容的生產(chǎn)更為智能化、高效化。

　　[關(guān)鍵詞]大數(shù)據(jù)技術(shù);用戶畫像;推薦方法

　　科學(xué)技術(shù)的飛速發(fā)展，傳統(tǒng)的工業(yè)時代已經(jīng)開始逐漸走出了歷史舞臺，大數(shù)據(jù)作為近年來熱議的技術(shù)話題，在快速發(fā)展的同時也給各行各業(yè)的發(fā)展帶來了顛覆性的改變和巨大機遇。信息化技術(shù)開始在各個行業(yè)中使用，這對于企業(yè)發(fā)展而言既是機遇又是挑戰(zhàn)。大數(shù)據(jù)時代的到來，使得用戶能夠獲得信息的途徑和方式變得愈加多樣。因此，如何從互聯(lián)網(wǎng)每日的巨量信息內(nèi)容中提取出符合目標用戶群體需求的精準內(nèi)容，就成為接下來需要解決的重點問題之一。

　　在此背景下，用戶畫像的應(yīng)用越發(fā)廣泛。因此，新媒體內(nèi)容生產(chǎn)者可以以用戶畫像作為依據(jù)，來向每個用戶精準推薦符合該類用戶普遍喜好的內(nèi)容。用戶畫像推薦系統(tǒng)的核心就在于為用戶進行“畫像”的模式。當(dāng)前一般在這方面是采用提取用戶“標簽”的方法來給每個用戶打上特征標識。

　　本文就立足于大數(shù)據(jù)技術(shù)的應(yīng)用對用戶畫像的推薦方法進行討論分析，希望能夠給相關(guān)的研究人員一些參考和建議。

　　一、大數(shù)據(jù)技術(shù)與用戶畫像推薦方法概述

　　(一)大數(shù)據(jù)

　　在如今信息技術(shù)快速發(fā)展進步的時代背景下，信息傳輸速度也隨之快速增長。“大數(shù)據(jù)”這個技術(shù)也隨著信息傳輸速度及安全性的全面提升而迎來了難得的發(fā)展契機。如今多個行業(yè)都開始積極引入大數(shù)據(jù)技術(shù)，為自身的發(fā)展與運作帶來一系列的便利。對于大數(shù)據(jù)技術(shù)的定義，當(dāng)前國內(nèi)外學(xué)術(shù)界尚未完全統(tǒng)一。目前比較權(quán)威的解釋是出自Gartner對大數(shù)據(jù)技術(shù)提出的定義：大數(shù)據(jù)技術(shù)是基于海量的真實信息數(shù)據(jù)收集，并基于有效的數(shù)據(jù)處理算法及軟硬件設(shè)施來對數(shù)據(jù)進行分析洞察，從而令數(shù)據(jù)不再是簡單的信息堆砌，而是成為優(yōu)質(zhì)的信息資產(chǎn)。從中可以看出，大數(shù)據(jù)的價值不在于數(shù)據(jù)信息總量，而在于對數(shù)據(jù)信息的分析運用，并服務(wù)于具體行業(yè)用途。大數(shù)據(jù)技術(shù)由兩大重要的元素組成，一是數(shù)據(jù)本身的獲得，二是數(shù)據(jù)的收集、傳輸和分析技術(shù)”。

　　(二)用戶畫像推薦方法

　　1.以內(nèi)容為基礎(chǔ)的推薦算法

　　以內(nèi)容為基礎(chǔ)推薦算法的應(yīng)用主要有兩個方面：第一是信息檢索，第二就是信息過濾。以內(nèi)容為基礎(chǔ)推薦算法的基本思想是依靠現(xiàn)有的用戶數(shù)據(jù)對其以往收藏或購買過的物品進行統(tǒng)計，再為其推薦相似相近物品。

　　以內(nèi)容為基礎(chǔ)的推薦算法通常由三個步驟構(gòu)成：第一，提取用戶的瀏覽及購買記錄的相關(guān)特征;第二，對其進行特征積累;第三，推薦給用戶與其積累特征相關(guān)性程度最高的物品。

　　以內(nèi)容為基礎(chǔ)的推薦算法邏輯簡單清晰，且所需的計算量也較低。該方法無需大量的用戶行為數(shù)據(jù)，也避免了初期用戶沒有足夠的行為數(shù)據(jù)而造成推薦缺乏依據(jù)的弊端，能夠很好實現(xiàn)“冷啟動”。但單使用該算法時，對于用戶潛在可能的興趣點則難以準確發(fā)現(xiàn)辨別。

　　2.基于用戶的協(xié)同過濾推薦算法

　　用戶在社交網(wǎng)絡(luò)中會有一定數(shù)量的好友及關(guān)注對象。即使新用戶缺乏行為、興趣方面的數(shù)據(jù)，但用戶的好友或關(guān)注對象則可能已經(jīng)有了大量的行為、興趣數(shù)據(jù)。因此可以據(jù)此采用協(xié)同過濾推薦算法來發(fā)現(xiàn)用戶組的相關(guān)性，作為推薦的依據(jù)。

　　基于用戶的協(xié)同過濾算法通常由三個步驟構(gòu)成：第一，對于行為、興趣具有足夠相似度的用戶建立用戶集合;第二，對已經(jīng)提取好的用戶集合中所有用戶行為、喜好及興趣的相似特征進行提取和打標，并據(jù)此作為對用戶推薦物品、內(nèi)容的依據(jù)。

　　上述算法是將用戶首先按照粗略的規(guī)則分成不同的集群，然后再對每個用戶集群的行為、興趣進行分析歸納，并據(jù)此自動推薦物品、內(nèi)容。該算法需要依靠大數(shù)據(jù)平臺來進行，其前提是需要準確獲取用戶之間的相互關(guān)聯(lián)信息，并做好集群歸類。但該算法也有一定不足，就是隨著用戶數(shù)量增多，算法的復(fù)雜度也會顯著增加。并且如果一個物品或者內(nèi)容是全新的，缺乏用戶行為數(shù)據(jù)，則很難被系統(tǒng)識別和推薦給目標用戶集群。

　　二、基于結(jié)合大數(shù)據(jù)技術(shù)的用戶畫像推薦方法具體應(yīng)用

　　(一)把握用戶心理，精準推送營銷信息

　　在大數(shù)據(jù)算法對不同用戶完成用戶畫像操作之后，運營人員就可以對畫像中的高頻標簽進行分析統(tǒng)計，該過程亦由系統(tǒng)來自動完成。接著就可以實現(xiàn)對不同標簽的用戶應(yīng)用不同的商品推薦方案。亞馬遜(Amazon)所創(chuàng)造的圖書推薦系統(tǒng)推動了協(xié)同過濾推薦方法在全世界的發(fā)展與風(fēng)靡。該系統(tǒng)主要是根據(jù)用戶評論留下的一些關(guān)鍵詞，以及用戶的購買、瀏覽記錄等來決定推薦商品的名錄，在計算方面主要使用的是SparkMLlib平臺。基于上述原理的協(xié)同過濾推薦主要又分為以下兩種：一是基于用戶的協(xié)同過濾精準推薦;二是基于商品的協(xié)同過濾精準推薦。

　　基于知識的推薦方式擁有簡單的操作方法與快捷的處理速度，此種方法當(dāng)前亦較為常用、常見。但運營人員需要提前設(shè)置好一系列的推薦規(guī)則。如果運營人員設(shè)置的推薦規(guī)則不合理，則會導(dǎo)致推薦的商品用戶下單率較低。因此該方法需要與其他推薦方法結(jié)合使用，不宜單獨使用。

　　(二)以”用戶畫像”為基礎(chǔ)的目標市場選擇

　　“用戶畫像”的含義就是基于用戶的自定義標簽以及系統(tǒng)對用戶的行為分析而構(gòu)成的2D靜態(tài)標簽+3D動態(tài)標簽的用戶描述模型。該技術(shù)具有能夠準確描摹用戶真實狀態(tài)與習(xí)慣的優(yōu)勢，其可信度亦較高。

　　基于“用戶畫像”來進行目標市場選擇，可以借助大數(shù)據(jù)技術(shù)來明確目標客戶群體所在，以及與企業(yè)的實際經(jīng)營范圍、經(jīng)營能力進行自動匹配，并將一些過于狹小或者難于轉(zhuǎn)化的細分市場予以剔除。使用大數(shù)據(jù)技術(shù)對基于“用戶畫像”的目標市場進行選擇，其優(yōu)勢還在于對目標市場能夠?qū)崿F(xiàn)動態(tài)跟蹤監(jiān)控，從而洞悉目標市場的需求變化，并調(diào)整營銷策略，令營銷策略始終保持一定的前瞻性，并令營銷資源也得以高效和精確的利用，避免浪費。

　　推薦閱讀：計算機的大數(shù)據(jù)和云計算技術(shù)分析