基于用戶行為的產(chǎn)品相似性推薦模型及用戶、產(chǎn)品標(biāo)簽化推薦模型

陳宸

摘 要 文章就基于用戶行為的產(chǎn)品相似性推薦模型及用戶、產(chǎn)品標(biāo)簽化推薦模型進(jìn)行研究，通過用戶在觀影中的點播行為，從聚類模型、熵值法打分模型兩個角度解構(gòu)這一行為，對用戶行為和產(chǎn)品的業(yè)務(wù)標(biāo)簽進(jìn)行抽取，從而形成預(yù)測模型，為用戶提供更加個性化的點播體驗。

關(guān)鍵詞 用戶行為；產(chǎn)品相似性；推薦模型

中圖分類號 G2 文獻(xiàn)標(biāo)識碼 A 文章編號 1674-6708（2018）216-0164-02

1 基于用戶行為的產(chǎn)品相似性推薦模型

1.1 推薦模型的定義

由于互聯(lián)網(wǎng)電視以網(wǎng)絡(luò)為平臺，因此各類影視資源非常集中而豐富，但是受到互聯(lián)網(wǎng)電視界面的限制，影視資源不可能一一羅列，因此用戶在實際使用中并不能根據(jù)自主意識達(dá)到完全準(zhǔn)確搜索的程度，為避免用戶的觀影體驗受到影響，影視產(chǎn)品的推薦必須符合用戶的個性化喜好，從而幫助用戶精準(zhǔn)搜索，提高觀影的質(zhì)量。

1.2 推薦模型的目標(biāo)

推薦模型著重對用戶的影視點播行為進(jìn)行深層次的分析，然后對窗口期的觀影喜好進(jìn)行預(yù)測，著重以用戶的點擊行為為預(yù)測的依據(jù)，然后計算出產(chǎn)品的推薦概率，將排序靠前的產(chǎn)品作為用戶偏好的推薦產(chǎn)品（如表1所示）[1]。

1.3 推薦模型的思路

一般采用協(xié)同過濾模型為用戶推薦產(chǎn)品，但這種模型只能為用戶提供歷史觀看的影視產(chǎn)品，而對于用戶而言，更高質(zhì)量的推薦必須建立在新產(chǎn)品的基礎(chǔ)上，因此在互聯(lián)網(wǎng)電視中不能應(yīng)用協(xié)同過濾這種推薦模型，而應(yīng)該著重對用戶的點播行為進(jìn)行分析，從而全面掌握用戶的觀影喜好，從而提供相似的產(chǎn)品，使用戶獲得更優(yōu)質(zhì)的觀影體驗。

1.4 推薦模型的方法

1）模型架構(gòu)。為了使產(chǎn)品相似性模型的數(shù)據(jù)更加可靠，可以通過以下方法對模型數(shù)據(jù)進(jìn)行劃分：首先將用戶的觀影時間劃分為不同的模塊。例如確定模型構(gòu)建的數(shù)據(jù)長度為用戶6～9月的觀影時間，因此將6～7月作為用戶點播行為的觀察期，將8月作為用戶點播行為的預(yù)測期，將9月作為用戶點播行為的預(yù)測結(jié)果評估期；然后利用RLM模型，對用戶的觀影喜好進(jìn)行反映[2]。

2）數(shù)據(jù)處理。數(shù)據(jù)處理主要包括兩個方面，分別是RLM模型和產(chǎn)品相似性模型。就RLM模型來看，主要通過以下指標(biāo)對數(shù)據(jù)進(jìn)行處理（如表2所示）。

為實現(xiàn)標(biāo)準(zhǔn)化分析，利用以下公式對數(shù)據(jù)進(jìn)行處理：

就產(chǎn)品相似性模型來看，主要將影視產(chǎn)品的演員、導(dǎo)演、出品時期、分類名稱、語種類型、清晰參數(shù)、時長等方面作為產(chǎn)品相似性特征，并且用下列公式對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：

3）模型計算。本次模型計算主要采用熵值法打分模型，這種模型的主要依據(jù)使信息的無序度，而信息的實用價值與無序度之間呈反比關(guān)系，即無序度越高，信息的價值越低，而無序度越低，則信息的價值就越高。例如在N個樣本中選擇M個數(shù)據(jù)指標(biāo)，然后歸一化處理所有的指標(biāo)，以異質(zhì)同化、絕對變相對作為處理的原則，然后得到一批正向指標(biāo)和負(fù)向指標(biāo)，其中正向指標(biāo)越高，模型計算的準(zhǔn)確度越高，而負(fù)向指標(biāo)越低，則模型計算的準(zhǔn)確度越高。在對正向指標(biāo)和負(fù)向指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理時，需要應(yīng)用以下公式：

4）實際應(yīng)用。通過對用戶偏好的分析和產(chǎn)品相似性分析，結(jié)合用戶點播行為的特征，可以得到以下排名前10的推薦產(chǎn)品（如表5所示）。

2 基于用戶、產(chǎn)品標(biāo)簽化的推薦模型

2.1 推薦模型的定義

對用戶和產(chǎn)品的標(biāo)簽化處理能夠使用戶點播行為的特征得到更加直觀的反映，從而加深對用戶的了解，為用戶提供更加貼切的觀影體驗。例如對用戶或者產(chǎn)品的圖像進(jìn)行分析，然后針對標(biāo)簽對用戶進(jìn)行針對性的營銷。在對用戶、產(chǎn)品標(biāo)簽化的推薦模型進(jìn)行構(gòu)建時，要著重對用戶行為進(jìn)行分析，并對行為特征進(jìn)行標(biāo)簽化處理。

2.2 推薦模型的方法

1）模型架構(gòu)。在對用戶、產(chǎn)品便簽化的推薦模型進(jìn)行架構(gòu)時，要從不同維度對用戶的行為進(jìn)行分析，然后形成個性化的標(biāo)簽。在模型中要構(gòu)建正樣本和負(fù)樣本兩類，正樣本為用戶的實際點播行為，而負(fù)樣本為用戶的無點播行為[3]。

2）數(shù)據(jù)處理。就用戶標(biāo)簽來看，主要通過聚類模型、打分模型，對標(biāo)簽數(shù)據(jù)進(jìn)行處理（如表6所示）。

參考文獻(xiàn)

[1]張薇.基于用戶自生成內(nèi)容的社會化商務(wù)價值共創(chuàng)研究[D].南昌：南昌大學(xué)，2016.

[2]侯磊.在線社會系統(tǒng)中用戶行為的實證分析與機制建模研究[D].上海：上海理工大學(xué)，2014.

[3]趙凌云.面向服務(wù)的消費者行為分析及推薦模型研究[D].濟(jì)南：山東師范大學(xué)，2014.