基于用戶在線行為的個性化推薦研究

陳曉璇+劉洪偉+曹寧

[提要] 在競爭激烈的網上零售活動中，為了提升用戶的購物體驗、培養顧客忠誠度，越來越多的電子商務企業關注如何從點擊流中發現用戶的興趣偏好，進而為用戶提供可靠的個性化推薦。本文在對國內外關于個性化推薦相關研究文獻進行梳理的基礎上，從點擊流與用戶行為、基于用戶行為的個性化兩個方面對現有文獻進行綜述，并提出將來的一些研究方向，供營銷和信息科學領域的學者進一步研究和探討。

關鍵詞：在線購物；用戶行為；點擊流；個性化推薦

中圖分類號：F713.3 文獻標識碼：A

收錄日期：2018年1月16日

一、前言

為了吸引更多的客戶，電子商務公司不斷擴大品類范圍。大型電子商務機構每天看到超過一百萬的客戶登錄到他們的網站。那些潛在客戶每天都會看到成千上萬的商品項目。因此，這些電子商務公司面臨特定的挑戰，即通過有效管理越來越多的類別和產品，發現網站用戶的興趣，促進銷售。用于衡量消費者興趣的大多數現有技術主要依靠客戶評級。用戶對某個項目進行評價表示至少在某種程度上對該項目感興趣。評級值表示用戶喜歡目標項目的數值。然而，評級信息太有限，無法描述用戶的網站導航過程。此外，產品評級是最終的綜合評估，其結合了用戶對價格、服務和物流的看法。該評級由電子商務公司提供并且與產品本身相關。此外，來自新客戶的評分不足以用于參考，而有經驗的客戶可能不愿意在每次使用網站時給予評分。這些因素使得更難以根據評級來發現用戶的真正興趣。一些學者研究了用戶對社交網絡媒體興趣的話題。他們發現用戶的興趣經常被他們訪問的帖子和他們回復的帖子所反映。這個想法可以類似地應用于電子商務網站。用戶將會看到感興趣的項目并吸引他們的注意。具有各種興趣的用戶將會訪問不同的類別和多個項目。對于不同類型的用戶，他們的瀏覽路徑，他們訪問網頁的頻率和每個類別花費的時間將各不相同。與用戶評分相比，更詳細的點擊流信息可以用來更精確地描述用戶的興趣。

二、點擊流在用戶行為分析中的應用

電子商務的成功離不開大量數據的支持。目前，在線商店運用多種信息尋找目標客戶，例如人口統計特征、購買歷史信息或評分信息，以及這些訪問者是如何進入到這個線上商店的（即這個用戶是通過書簽、搜索引擎還是電子郵件推廣的鏈接找到這個網站的）。但是，以上方式對于用戶需求的挖掘和預測能力非常弱。而任何公司或者組織的成功必然離不開決策的正確性，點擊流數據的出現成為了這種正確性決策最可靠、最有效的數據基礎。與傳統的媒體和商業環境不同，由于信息技術的發展，互聯網可以快速、簡單、不顯眼地收集有關個人活動的詳細信息。這種互聯網用戶在線操作的記錄被稱為點擊流數據。從點擊流數據源來分類的話，可以分為以下幾類：

（一）問卷調查。雷玲等以產品策略、促銷策略、網站策略為自變量，情感反應做因變量研究用戶沖動購買行為的形成機制，他們發現：產品策略、促銷策略以及網站策略顯著影響網絡消費者的情感反應，其中促銷策略對消費者情感反應的影響最大；其次是產品策略，最后是網站策略。

（二）網頁瀏覽日志。付關友等從心理學的角度運用內驅力理論研究Web用戶的瀏覽行為和他對網頁是否感興趣密切相關，他們發現隨著用戶瀏覽頁面數的增多，捕獲到用戶的興趣越高。

（三）實驗室實驗與問卷調查。Parboteeah等通過實證分析以及實驗室控制實驗研究了網站的變化是如何影響在線沖動購買。他們發現要使消費者更加沖動，網絡零售商可以通過增加與任務相關的高質量的提示（TR）來最大限度地發揮積極的認知反應，同時增加與情緒相關的高質量的提示（MR）來提升積極的情感反應。

綜上所述，分析用戶行為可以通過問卷調查、網頁瀏覽日志、實驗室實驗等途徑來獲取數據，進而通過不同的模型方法得到定量或定性的用戶分析。

用戶對自身行為的認識探索從未間斷過，這也是學者們一直執著的追求。在過去很長一段時間，研究者們主要借鑒其他學科的研究方法來進行研究分析，由于用戶自身行為具有復雜性和多樣性，因此對于任何科學手段來說都具有很大的挑戰性。在計算機普及之前，用戶行為記錄數據都是通過問卷調查或者填寫個人資料等方式獲取，數據的收集缺乏代表性和普適性，僅能做定性的分析，而且有關用戶行為的研究，在很長一段時間內，學者們普遍都認為人的行為均服從泊松隨機過程，導致絕大多數研究成果僅僅是定性描述且帶有很大的局限性。隨著社會的發展和互聯網的出現，促進了人的生產方式和思維方式變化；由此，出現了兩個亟待解決的問題：這些研究成果及結論是否能真實地反映人們生活中表現出來的行為特征？如何定量化分析用戶行為？關于點擊流用戶行為分析中的應用，從模型來分類的話，可以分為以下幾類：

1、馬爾可夫模型。袁興福等利用馬爾科夫模型和EM聚類方法給出一種依據原始日志建立用戶行為序列來描述會話的方案，會話所反映的用戶行為特征，可以指導網站制定推薦策略，或對營銷方案的制訂提供支持。

2、聚類算法等。Gunduz和Ozsu引入一個通過訪問頁面和訪問時間的相似性度量來找出用戶會話之間的兩兩相似性，然后使用圖形分割算法基于相似性度量劃分用戶會話，并提出用于表示群集的樹結構。實驗表明，該模型可以在不同結構的網站上使用。

然而，這些方法仍然存在著一定的不足，如高階馬爾科夫模型由于其狀態數量龐大而非常復雜，而低階馬爾可夫模型不能捕獲會話中用戶的整個行為；基于順序模式挖掘的模型僅考慮數據集中的頻繁序列，使得難以預測下一個請求，而不是按照順序模式的頁面。而且，很難找到挖掘用戶會話的兩種不同類型的信息的模型。因此，想要更好地利用點擊流數據來預測用戶的在線行為，仍需要更多的研究?？梢詾榫W頁優化和個性化推薦提供重要的輔助。

三、基于用戶行為分析的個性化推薦

互聯網的快速傳播為電子商務公司提供了輕松有效的客戶信息采集。從客戶收集的信息通過管理個性化網絡體驗并保留與客戶的通信轉換為高質量的產品和服務，因特網提供的信息已經導致信息超載。Web用戶難以找到信息推薦系統已經成為對此問題的重要響應信息過濾應用數據分析技術，以幫助客戶找到他們想要購買的產品的得分或推薦產品列表的問題顧客。到目前為止，推薦系統已經被許多網站（如亞馬遜、雅虎和電影評論家）實施。endprint

個性化推薦是電子商務企業廣泛采用的個性化營銷策略之一，它是指電子商務網站根據消費者之前的評分、瀏覽、購買或搜索歷史等行為數據以及相似消費者的歷史行為數據推測目標消費者的需求和偏好，然后在目標消費者訪問網站時為其推薦或展示一組他們可能喜歡的商品或服務。當前推薦系統中使用的基礎技術分為兩個不同的類別，基于內容的過濾和協同過濾。在基于內容的過濾中，它提供了類似于過去用戶所熟悉的內容的項目；另一方面，在協同過濾中，它識別出與給定用戶相似偏好的其他用戶，并提供了他們想要的東西。劉春、梁光磊、譚國平等通過對用戶行為日志的分析生成用戶的興趣偏好模型，同時引入時間因子反映用戶興趣的漂移，將基于用戶偏好分析的推薦方法與基于物品的協同過濾算法相結合形成了融合的個性化推薦模型。

四、展望

目前，國內外大量相關文獻主要研究了如何改進個性化推薦的算法和模型，很多學者對個性化推薦算法和模型進行了綜述和評析，然而很少有學者系統地回顧個性化推薦和用戶行為之間的關系。本文重點對有關個性化推薦和用戶行為之間關系的文獻進行了梳理。營銷領域大量的相關研究發現，個性化推薦可以改變用戶的信息搜索行為、產品偏好、價格敏感度、選擇決策和決策質量等，但該研究方向仍然有很多值得進一步研究和探索的問題。通過對相關文獻的系統分析，本文提出幾個值得進一步研究的問題：（1）探討個性化推薦對用戶行為的長期影響；（2）研究用戶動態興趣的個性化推薦；（3）控制個性化推薦的內生性。

主要參考文獻：

[1]雷玲，張小筠，王禮力.基于電子商務營銷的網上沖動購買研究[J].商業研究，2012.3.

[2]付關友，朱征宇.個性化服務中基于行為分析的用戶興趣建模[J].計算機工程與科學，2005.27.12.

[3]Parboteeah D V，Valacich J S，Wells J D，et al.The Influence of Website Characteristics on a Consumer's Urge to Buy Impulsively[J].Information Systems Research，2009.20.1.

[4]袁興福，張鵬翼，劉洪蓮等.基于點擊流的電商用戶會話建模[J].圖書情報工作，2015.59.1.endprint