基于用戶行為的產品相似性推薦模型及用戶、產品標簽化推薦模型

陳宸

摘 要 文章就基于用戶行為的產品相似性推薦模型及用戶、產品標簽化推薦模型進行研究，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這一行為，對用戶行為和產品的業務標簽進行抽取，從而形成預測模型，為用戶提供更加個性化的點播體驗。

關鍵詞 用戶行為；產品相似性；推薦模型

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

1 基于用戶行為的產品相似性推薦模型

1.1 推薦模型的定義

由于互聯網電視以網絡為平臺，因此各類影視資源非常集中而豐富，但是受到互聯網電視界面的限制，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自主意識達到完全準確搜索的程度，為避免用戶的觀影體驗受到影響，影視產品的推薦必須符合用戶的個性化喜好，從而幫助用戶精準搜索，提高觀影的質量。

1.2 推薦模型的目標

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

1.3 推薦模型的思路

一般采用協同過濾模型為用戶推薦產品，但這種模型只能為用戶提供歷史觀看的影視產品，而對于用戶而言，更高質量的推薦必須建立在新產品的基礎上，因此在互聯網電視中不能應用協同過濾這種推薦模型，而應該著重對用戶的點播行為進行分析，從而全面掌握用戶的觀影喜好，從而提供相似的產品，使用戶獲得更優質的觀影體驗。

1.4 推薦模型的方法

1）模型架構。為了使產品相似性模型的數據更加可靠，可以通過以下方法對模型數據進行劃分：首先將用戶的觀影時間劃分為不同的模塊。例如確定模型構建的數據長度為用戶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測期，將9月作為用戶點播行為的預測結果評估期；然后利用RLM模型，對用戶的觀影喜好進行反映[2]。

2）數據處理。數據處理主要包括兩個方面，分別是RLM模型和產品相似性模型。就RLM模型來看，主要通過以下指標對數據進行處理（如表2所示）。

為實現標準化分析，利用以下公式對數據進行處理：

就產品相似性模型來看，主要將影視產品的演員、導演、出品時期、分類名稱、語種類型、清晰參數、時長等方面作為產品相似性特征，并且用下列公式對數據進行標準化處理：

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個數據指標，然后歸一化處理所有的指標，以異質同化、絕對變相對作為處理的原則，然后得到一批正向指標和負向指標，其中正向指標越高，模型計算的準確度越高，而負向指標越低，則模型計算的準確度越高。在對正向指標和負向指標進行標準化處理時，需要應用以下公式：

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

2 基于用戶、產品標簽化的推薦模型

2.1 推薦模型的定義

對用戶和產品的標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。例如對用戶或者產品的圖像進行分析，然后針對標簽對用戶進行針對性的營銷。在對用戶、產品標簽化的推薦模型進行構建時，要著重對用戶行為進行分析，并對行為特征進行標簽化處理。

2.2 推薦模型的方法

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

2）數據處理。就用戶標簽來看，主要通過聚類模型、打分模型，對標簽數據進行處理（如表6所示）。

參考文獻

[1]張薇.基于用戶自生成內容的社會化商務價值共創研究[D].南昌：南昌大學，2016.

[2]侯磊.在線社會系統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，2014.

[3]趙凌云.面向服務的消費者行為分析及推薦模型研究[D].濟南：山東師范大學，2014.