基于結合大數據技術的用戶畫像推薦方法

　　[摘要]伴隨大數據技術的廣泛應用及融合媒體的進一步發展，社交網絡和基于社交的互聯網應用不斷涌現，隨之而來的就是爆炸性的數據增長。對于各大網站而言，如何有效采集用戶數據并為其提供相應的推薦，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。在互聯網的內容消費方面，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容方面的需求有很大區別。因此新媒體內容生產者也需要順應目標用戶群體的需求喜好，并探索出能夠生產出有針對性的高價值內容的模式，令內容的生產更為智能化、高效化。

　　[關鍵詞]大數據技術;用戶畫像;推薦方法

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

　　在此背景下，用戶畫像的應用越發廣泛。因此，新媒體內容生產者可以以用戶畫像作為依據，來向每個用戶精準推薦符合該類用戶普遍喜好的內容。用戶畫像推薦系統的核心就在于為用戶進行“畫像”的模式。當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。

　　本文就立足于大數據技術的應用對用戶畫像的推薦方法進行討論分析，希望能夠給相關的研究人員一些參考和建議。

　　一、大數據技術與用戶畫像推薦方法概述

　　(一)大數據

　　在如今信息技術快速發展進步的時代背景下，信息傳輸速度也隨之快速增長。“大數據”這個技術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展契機。如今多個行業都開始積極引入大數據技術，為自身的發展與運作帶來一系列的便利。對于大數據技術的定義，當前國內外學術界尚未完全統一。目前比較權威的解釋是出自Gartner對大數據技術提出的定義：大數據技術是基于海量的真實信息數據收集，并基于有效的數據處理算法及軟硬件設施來對數據進行分析洞察，從而令數據不再是簡單的信息堆砌，而是成為優質的信息資產。從中可以看出，大數據的價值不在于數據信息總量，而在于對數據信息的分析運用，并服務于具體行業用途。大數據技術由兩大重要的元素組成，一是數據本身的獲得，二是數據的收集、傳輸和分析技術”。

　　(二)用戶畫像推薦方法

　　1.以內容為基礎的推薦算法

　　以內容為基礎推薦算法的應用主要有兩個方面：第一是信息檢索，第二就是信息過濾。以內容為基礎推薦算法的基本思想是依靠現有的用戶數據對其以往收藏或購買過的物品進行統計，再為其推薦相似相近物品。

　　以內容為基礎的推薦算法通常由三個步驟構成：第一，提取用戶的瀏覽及購買記錄的相關特征;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性程度最高的物品。

　　以內容為基礎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據，也避免了初期用戶沒有足夠的行為數據而造成推薦缺乏依據的弊端，能夠很好實現“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現辨別。

　　2.基于用戶的協同過濾推薦算法

　　用戶在社交網絡中會有一定數量的好友及關注對象。即使新用戶缺乏行為、興趣方面的數據，但用戶的好友或關注對象則可能已經有了大量的行為、興趣數據。因此可以據此采用協同過濾推薦算法來發現用戶組的相關性，作為推薦的依據。

　　基于用戶的協同過濾算法通常由三個步驟構成：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，并據此作為對用戶推薦物品、內容的依據。

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

　　二、基于結合大數據技術的用戶畫像推薦方法具體應用

　　(一)把握用戶心理，精準推送營銷信息

　　在大數據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計，該過程亦由系統來自動完成。接著就可以實現對不同標簽的用戶應用不同的商品推薦方案。亞馬遜(Amazon)所創造的圖書推薦系統推動了協同過濾推薦方法在全世界的發展與風靡。該系統主要是根據用戶評論留下的一些關鍵詞，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。基于上述原理的協同過濾推薦主要又分為以下兩種：一是基于用戶的協同過濾精準推薦;二是基于商品的協同過濾精準推薦。

　　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，此種方法當前亦較為常用、常見。但運營人員需要提前設置好一系列的推薦規則。如果運營人員設置的推薦規則不合理，則會導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合使用，不宜單獨使用。

　　(二)以”用戶畫像”為基礎的目標市場選擇

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

　　基于“用戶畫像”來進行目標市場選擇，可以借助大數據技術來明確目標客戶群體所在，以及與企業的實際經營范圍、經營能力進行自動匹配，并將一些過于狹小或者難于轉化的細分市場予以剔除。使用大數據技術對基于“用戶畫像”的目標市場進行選擇，其優勢還在于對目標市場能夠實現動態跟蹤監控，從而洞悉目標市場的需求變化，并調整營銷策略，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：計算機的大數據和云計算技術分析