大數據分析視野下的用戶畫像及其在開放教育中的運用研究綜述

談松英　楊敏

摘 要：用戶畫像在當下經濟、商業、傳媒領域都已得到廣泛有效的應用，大多以此實施對目標用戶進行精準營銷服務，發現潛在的商業價值，實現科學運營。文章通過基于知網2010-2017年全文數據收錄文獻的多角度文獻計量分析及可視化分析，結合定性研究方法細致梳理近年來國內用戶畫像及其在開放教育中的運用研究現狀、特征與價值，并以此為基礎提出當下亟待把用戶畫像引入國內開放教育，實施對學習者的精準教學服務，提高教育質量，實現開放教育實踐探索與理論推進的新突破。

關鍵詞：大數據分析；用戶畫像；開放教育

中圖分類號： G434 文獻標志碼：A 文章編號：1673-8454（2018）16-0001-06

一、引言

用戶畫像由交互設計之父阿蘭·庫珀（Alan Cooper）最早提出，是真實用戶的虛擬代表，也是建立在一系列真實數據之上的目標用戶模型。其意義是指通過對用戶調研去了解用戶，根據他們的目標、行為和觀點的差異，將他們區分為不同的類型，然后從每種類型中抽取出典型特征，賦予名字、照片及一些人口統計學要素、場景等描述，形成一個人物原型。簡而言之，用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息抽象出的標簽化的用戶模型。構建用戶畫像的核心工作是給用戶貼“標簽”。這標簽是通過對用戶信息分析而來的，是高度精煉的特征標識[1]。

本文以2010-2017年知網全文收錄的研究文獻數據分析為基礎，進行大數據分析視野下的國內用戶畫像及其在開放教育研究中的運用研究綜述。

二、研究切入

百度指數（Baidu Index）作為國內以百度海量網民行為數據為基礎的數據分享平臺，是近年來國內互聯網及其相關數據運用的一個重要的統計分析平臺。百度指數顯示，近年來“用戶畫像”這一關鍵詞的搜索規模整體呈上漲態勢（見圖1），可見其關注度在日益提升。

“用戶畫像”這一概念及理論一經提出，不僅在交互設計領域很快得以傳播，也在實踐中被大范圍推廣到社會許多層面，成為數據分析技術在各行業的重要落腳點。作為一種勾畫目標用戶、聯系用戶訴求與設計方向的有效工具，很多企業尤其是互聯網企業將用戶畫像技術應用于產品運營，如產品推廣、信息推送、精準化營銷等。國內一些高校也將用戶畫像應用于圖書館服務、掛科預警、學籍預警、思想動態分析等。

三、研究方法和過程

1.樣本來源

本文選取中國知網（CNKI）作為檢索數據庫，以“關鍵詞”為檢索項。先以“用戶畫像”為檢索詞，檢索到文獻112篇；又以“學習者畫像”和“學生畫像”為檢索詞，檢索到了6篇文獻。時間跨度選取2007-2017年，數據采集的時間為 2018年2月1日。

2.樣本數據處理

在知網搜索出文獻后，借助知網提供的分析工具以及NetExpress軟件，從年度發文量與出版類型、文獻來源與作者群體特征、研究機構分布與研究合作情況、學科分布與研究基金、高頻關鍵詞與研究主題等多角度進行文獻計量分析及可視化分析，并對定量分析結果進行解釋，并結合定性研究方法，分析10年來我國用戶畫像研究的發展情況。

四、數據分析

1.年度與出版類型

樣本數據中的文獻發文量如圖2所示，用戶畫像在2014年前并沒有受到國內研究者的關注，僅2010年有1篇文獻，即鄭寶鑫等人的《基于用戶畫像、信令挖掘技術的手機游戲產品推廣》。近三、四年來，研究者對其研究熱度逐漸增加，這與百度指數的走勢圖正好相吻合。從趨勢圖整體走勢可見，國內對用戶畫像的研究正不斷深入，研究成果逐年增加。但文獻總量目前較少，僅100余篇，仍有很大的探索研究空間。

出版類型以期刊論文為主，共81篇，占68.64%，博碩士學位論文有30篇，占25.42%，會議論文6篇，占5.09%，輯刊1篇，占0.85%。

2.文獻來源與作者群體特征分析

118篇文獻來源于90多處，從整體上看分布比較分散。發表文獻2篇或2篇以上的期刊或出版機構為11個，最多的是《郵電設計技術》期刊，但也僅有4篇（見表1）。與開放教育相關度較高的刊物，目前僅有《中國電化教育》《開放教育研究》各刊登了1篇文獻，而《現代遠程教育研究》《中國遠程教育》《遠程教育雜志》《現代遠距離教育》等都還未收錄過用戶畫像相關研究的文獻。

發表文章2篇或2篇以上的作者有6位，來自普通高等學?；蚱髽I（見表2）。

而開放教育系統中，目前僅有上海開放大學肖君等發表的《在泛在學習環境下基于活動理論的移動MOOC設計及實證研究》[2]，陳海建等發表的《開放式教學下的學習者畫像及個性化教學探討》[3]。前者引用學習者畫像對泛在學習環境下的移動MOOC進行評估；后者基于學習者畫像，探討在開放式教學環境下如何開展個性化教學。

從共被引作者網絡圖譜分析可以看出，目前用戶畫像領域的高影響力學者主要有劉海、曾鴻、丁偉等，他們的主要研究主題見表3。

3.研究機構分布與研究合作情況

從研究機構來看，發文量在2篇或2篇以上的機構見表4。排名前三位的分別是北方工業大學、北京交通大學、中國科學技術大學。在21所發文量為2篇或2篇以上的研究機構中，有15所是普通高等學校，5所為公司或研究院，1所為成人高等學校。

按照研究機構統計所有文獻發表數量，我們發現用戶畫像研究的文獻主要集中在高校（69.5%），另外如中國移動、中國聯通、中國電信等公司或電視臺、報社等媒體單位也有一定發文量。

由兩所或兩所以上機構合作發表的研究成果共計15篇，占總文獻量的12.72%（見表5）。他們有的是高校間跨校開展合作研究，有的是高校與企業間開展合作研究，有的是公司與研究所之間開展合作研究。如中國科學院的聲學研究所、信息工程研究所、新疆理化技術研究所與上海海事大學合作，基于阿里音樂用戶的歷史播放數據對藝人進行多維畫像，從而預測和把控一個時段內音樂的流行趨勢 [4]；廣西中煙工業有限責任公司、廣西財經學院的兩位研究者合作，針對制造企業精準定位消費者以及對消費行為和特征進行統計分析存在的困難，設計了一個基于大數據的二維碼防偽營銷系統，通過對營銷效果的量化來挖掘商業機會[5]。

由兩人或兩人以上合作發表的研究成果共計51篇，占總文獻量的43.22%（見表6）。參與研究的合作者之間有的是師生關系，有的是基于研究任務或興趣而合作。

4.學科分布與研究基金

用戶畫像研究的文獻主要產生于信息技術、經濟與管理科學、工程技術、社會科學、哲學與人文科學六個學科，其中以信息技術學科量最大，達91篇，占57.96%。經濟與管理科學學科36篇，占22.93%（見圖3）。

有基金支撐的文獻研究有39篇。在支撐研究的基金中，國家自然科學基金支撐的研究最多，有12篇論文，北京市科技計劃項目及國家科技支撐計劃項目各有3篇。近年來用戶畫像的研究成果逐漸豐富，與基金的積極支持密不可分。

5.高頻關鍵詞與研究主題

（1）高頻關鍵詞分析

高頻關鍵詞可以反映該領域的研究熱點和發展趨勢。通過知網檢索出共計118篇的樣本文獻后，導出文獻題錄，再將題錄導入NetExpress軟件，通過NetExpress統計出關鍵詞共計291個，其中頻次出現3次及以上的關鍵詞見表7，從這些關鍵詞中我們可以窺見近年來用戶畫像的研究熱點。

（2）關鍵詞共現網絡分析

關鍵詞網絡關系圖譜可以直觀呈現關鍵詞在文獻中的共現情況及彼此之間的聯系。在知網呈現的高頻關鍵詞共現網絡圖中，通過節點大小我們可以看出，除了“用戶畫像”之外，活躍度較高的關鍵詞有“大數據”“精準營銷”“數據挖掘”“推薦系統”等，這些詞對其他關鍵詞有較強的聯系，是國內用戶畫像研究的核心關鍵詞及熱點問題。

由于用戶畫像需要以數據為基礎，而大數據方面的研究自2012年后呈井噴式增長，僅2017年在知網上以“大數據”為關鍵詞就搜索到8647篇文獻，可見大數據研究的深入及其應用也間接帶動了人們對用戶畫像關注度的提升。

從節點之間連線的粗細可以看出，“用戶畫像”與“大數據”的聯系最為緊密（見圖4），共現在一篇文獻中的次數達16次，由此可見基于大數據的用戶畫像研究是熱點問題。另外，“用戶畫像”與“精準營銷”共現11次，與“推薦系統”共現7次，與“數據挖掘”共現6次，聯系也較為緊密。

（3）研究主題

用戶畫像研究的文獻概括起來集中在以下層面：

①介紹并引入用戶畫像概念及原理以及實施。如隋國政的《淺談用戶畫像構建及應用》，董莉莉的《剖析大數據時代下用戶畫像及媒介策略》，艾永亮的《給用戶畫像》，孔建坤等的《如何用大數據給用戶“畫像”》，陳禹安的《大數據污染與用戶畫像》，周鮮子的《淺談大數據下電子商務網站的用戶畫像》等[6-11]。

②探索基于用戶畫像理論的各種網絡媒體運營策略。如張慷的《手機用戶畫像在大數據平臺的實現方案》，張治的《用戶畫像與客戶價值》，丁偉等的《基于大數據技術的手機用戶畫像與征信研究》，曾鴻等的《基于微博的大數據用戶畫像與精準營銷》，姜建武等的《基于用戶畫像的信息智能推送方法》，張小可等的《貝葉斯網絡在用戶畫像構建中的研究》等[12-17]。

③研究大數據背景下用戶畫像在各企業或學校中的實踐。如李映坤的《大數據背景下用戶畫像的統計方法實踐研究》，郝勝宇等的《大數據時代用戶畫像助力企業實現精準化營銷》，原娟娟等的《基于“用戶畫像”的農產品電商平臺精準營銷模式設計》，徐艷的《大數據畫像技術在高校思想政治教育中的應用》等[18-21]。

④分析總結用戶畫像有關理論與模型。如余孟杰的《產品研發中用戶畫像的數據模建——從具象到抽象》，劉海等的《基于“用戶畫像”挖掘的精準營銷細分模型研究》，王丹的《基于主題模型的用戶畫像提取算法研究》等[22-24]。

五、研究結論

1.研究總況：用戶畫像研究在國內亟需拓展

近年來，隨著數據資源的豐富，在基金的積極支持下，國內用戶畫像的研究成果逐漸豐富。2014年以來，越來越多的學者、機構涉足用戶畫像研究領域，研究主要產生于高等院?；蚱髽I，各機構間有一定合作，研究內容集中于信息技術、經濟與管理學科。因用戶畫像的研究對研究人員的學術研究水平、數據分析能力及可視化技術應用能力均有一定要求，所以多人合作開展研究的情況比較普遍，研究者之間相互合作、相互補充，可以提升研究成果產出的質量和數量。但總體而言，用戶畫像的研究成果數量不多，研究可探索的空間很大，亟需進一步深入與拓展。目前的研究主要集中在實業界的信息化領域，基于大數據開展數據挖掘，研究完善推薦系統，用于企業的精準營銷。

而把用戶畫像引入教育領域，尤其是在線教育領域，把學習者作為用戶展開研究，在深入了解學習者的基礎上，探索學習者對在線學習的需求或潛在需求，精細化地定位學習者的人群特征，挖掘潛在的學習者群體，根據學習者族群的差異化特征，幫助在線學習機構找到拓展機會，尋找發展方向，全面提高學習者的學習效率，目前總體上為數很少，研究還處于初探期。因此，基于用戶畫像的研究視角，對開放大學在線學習者進行研究，在當下有很大的學術發展空間和參考價值，也有很強的實踐指導意義。

2.研究前瞻：用戶畫像在開放教育中的運用亟待推進

對于已經在全世界廣泛滲透的開放教育而言，目前正在發生兩大深刻變化：①在日趨精密的數字技術條件下，開放教育中在線學習者的學習動機、學習模式、學習行為、學習軌跡等，都已通過互聯網實現數字化，與學習者相關的學習信息都會以數據的形式呈現學習者特征。②進入21世紀的全球教育研究也已進入探究學習者深層次思維與行動的層面。作為個體獲得行為經驗的過程，學習者的學習心理有外顯學習（Explicit Learning）與內隱學習（Implicit Learning）等。以往針對學習者展開的研究大多集中在學習者對學習內容、學習方式、學習環境需求、教學設計、學習技巧、學習興趣激發等方面的研究，探討學習者那些直觀的、可考量的、可觀察的需求，而對學習者潛在的、可預測的、內在情感化的需求研究，一直流于表象，很少從可檢測的數據入手，在系統理論體系指導下進行人性化、情感化、心靈需求化的研究。

在此背景下，開放教育亟待把用戶畫像引入實踐運用中，采用用戶畫像模型，把學習者作為真實具體的人依據目標行為和觀點進行類型劃分，并由此提煉特征形成用戶畫像。具體實施策略如下：

（1）展開調研

采取發放問卷、訪談、數據整理、師生研討等方法，對注冊學習課程的學習者開展調研，了解其目標、行為和想法等，將學習者的屬性、行為與期待聯結起來，形成有代表性的學習受眾和目標群體，在學習者角色描繪中抽象出自然人的屬性，通過數據建立學習者標簽，獲得并描繪在線學習用戶的角色特征，以此實施對學習者的用戶畫像以及未來學習方向和學習內容的精準拓展，并在此基礎上構建學習內容的智能推薦系統，進行在線學習的效果評估。

對學習者進行調研的具體維度包括：①學習者的靜態屬性：從學習者的基本信息進行用戶的劃分，建立學習者畫像的基礎，如性別、年齡、學歷、角色、收入、地域、婚否等。依據不同的課程，針對性地提取相關信息。②學習者的動態屬性：即學習者的網上學習行為、學習時間、學習手段、興趣愛好等，以此了解學習者是否會對學習內容感興趣。③學習者的選課屬性。主要包括選課層次、學習心理、學習喜好等，反映他們對于學習的看法，是喜歡實用性的，還是理論層面的？傾向于應用價值的，還是情感價值的？④學習者的心理屬性。主要指從學習者的生活、工作、感情、社交、收入等入手，分析其價值觀、人生觀，并針對性地改進課程。

（2）進行分類

通過上述4個維度的分析，對學習者畫像進行基本分類。值得注意的是，上述所有屬性分類不一定在學習者畫像中都要用到，有的可能是選擇性分析。

（3）構建智慧推薦系統

在學習者角色描繪中抽象出自然人的屬性，通過數據建立學習者標簽，實施針對學習者的用戶畫像，在未來在線教育精準拓展的基礎上構建學習內容的智能推薦系統，進行在線學習的效果評估，為未來在線教育的發展戰略提供決策作參考，具體如下：預測學習者選擇課程的決策過程，用學習平臺向學習者提供課程信息和建議，幫助學習者決定應該選擇什么課程進行學習。

學習內容智能推薦系統的實現策略——協同過濾：①基于學習者。根據學習者之間的相似性，推薦系統依據該學習者的學習行為（瀏覽、點擊、選課）計算跟他最像的那些學習者，以他們的瀏覽與選課行為向其進行課程推薦，在此過程中，學習者可能會選擇這些學習內容和課程。②基于課程。在眾多課程中，針對一些課程的性質、內涵、價值等總體特征描述有許多相似之處的特點，推薦系統將會計算課程與課程之間的相似或關聯程度，在學習者瀏覽的時候推薦給他。③基于內容。在眾多課程的主體內容中，針對一些學習內容有許多相近、相似之處的特點，推薦系統將會計算它們之間的相似或關聯程度，在學習者瀏覽的時候推薦給他。④基于模型。利用數學建模的手段，評估學習者的選課意圖，將模型計算出來的得分最高的學習內容和課程推薦給學習者。

參考文獻：

[1]Alan Cooper.交互設計之路——讓高科技產品回歸人性[M].北京：電子工業出版社，2006.3.

[2]肖君，喬惠，許貞等.在泛在學習環境下基于活動理論的移動MOOC設計及實證研究[J].中國電化教育，2017（11）：87-94.

[3]陳海建，戴永輝，韓冬梅等.開放式教學下的學習者畫像及個性化教學探討[J].開放教育研究，2017（3）：105-112.

[4]吳桂平，侯曉琴，王冰等.基于藝人畫像的歌曲點播量預測[J].網絡新媒體技術，2017（3）：20-26.

[5]孫忱，高榮.基于二維碼大數據的消費特征分析[J].中國市場，2015（42）：22-24.

[6]隋國政.淺談用戶畫像構建及應用[J].電子世界，2017（15）：144-146.

[7]董莉莉.剖析大數據時代下用戶畫像及媒介策略[J].傳媒，2016（2）：82-83.

[8]艾永亮.艾永亮：給用戶畫像[J].銷售與市場（評論版），2014（8）：39.

[9]孔建坤，邱偉娜，王治國等.如何用大數據給用戶“畫像”[N].人民郵電，2017-01-12（5）.

[10]陳禹安.大數據污染與用戶畫像[J].銷售與市場（管理版），2016（7）：22-24.

[11]周鮮子.淺談大數據下電子商務網站的用戶畫像[J].黑龍江科技信息，2017（11）：175.

[12]張慷.手機用戶畫像在大數據平臺的實現方案[J].信息通信，2014（2）：266-267.

[13]張治.用戶畫像與客戶價值[J].今日工程機械，2016（11）：35.

[14]丁偉，王題，劉新海等.基于大數據技術的手機用戶畫像與征信研究[J].郵電設計技術，2016（3）：64-69.

[15]曾鴻，吳蘇倪.基于微博的大數據用戶畫像與精準營銷[J].現代經濟信息，2016（16）：306-308.

[16]姜建武，李景文，陸妍玲等.基于用戶畫像的信息智能推送方法[J].微型機與應用，2016（23）：86-89+92.

[17]張小可，沈文明，杜翠鳳.貝葉斯網絡在用戶畫像構建中的研究[J].移動通信，2016（22）：22-26.

[18]李映坤.大數據背景下用戶畫像的統計方法實踐研究[D].北京：首都經濟貿易大學，2016.

[19]郝勝宇，陳靜仁.大數據時代用戶畫像助力企業實現精準化營銷[J].中國集體經濟，2016（4）：61-62.

[20]原娟娟，顧雨霆，董文潔.基于“用戶畫像”的農產品電商平臺精準營銷模式設計[J].電子商務，2017（7）：46-48.

[21]徐艷.大數據畫像技術在高校思想政治教育中的應用[J].學理論，2017（7）：241-242.

[22]余孟杰.產品研發中用戶畫像的數據模建——從具象到抽象[J].設計藝術研究，2014（6）：60-64.

[23]劉海，盧慧，阮金花等.基于“用戶畫像”挖掘的精準營銷細分模型研究[J].絲綢，2015（12）：37-42.

[24]王丹.基于主題模型的用戶畫像提取算法研究[D].北京：北京工業大學，2016.

（編輯：李曉萍）