大數據智能算法范式下的用戶黏性研究

2019-05-10 06:41:42李蘭馨

新媒體研究 2019年4期

關鍵詞：大數據

李蘭馨

摘 ?要 ?在大數據時代，數據的收集、分析、再運用被各平臺強調，基于數據挖掘的算法推薦能更好地滿足用戶需求。網易云音樂是算法推薦平臺的典型案例，文章以網易云音樂為例，探析大數據和智能算法對用戶黏性的作用，并針對不足提出改進措施。

關鍵詞 ?算法;大數據;用戶黏性;網易云音樂

中圖分類號 ?G206 ? ? ?文獻標識碼 ?A ? ? ?文章編號 ?2096-0360（2019）04-0004-03

1 ?大數據與智能算法

數據成為了電子平臺改進服務功能的入口，幾乎所有平臺都會獲取用戶數據，如基本信息、實時動態、使用痕跡、互動反饋等。值得注意的是，大數據不僅僅是數據的“多”，更是數據的“全”，在這種數量極多且全面的情況下，數據的質量（精確度）顯得不那么重要，樣本容量極大，單個數據樣本對整個數據結果的影響就微乎其微，從而形成整體準確的用戶大數據。

算法是將用戶大數據通過運算轉化為結果的編碼程序。在信息過載時代，平臺會根據已獲得的用戶數據，利用算法構建一套推薦系統，以幫助用戶高效、精準地篩選信息。Resnick等人曾給出了推薦系統的定義：推薦系統由三部分組成，包括用戶模型、產品模型和推薦算法[1]。

用戶模型是平臺了解用戶興趣點的渠道。用戶每使用一次，平臺就會更新一次用戶模型，久而久之，用戶模型能構建和現實用戶相似度較高的“電子用戶畫像”，反映出特定時期用戶在該平臺上的行為特征與興趣偏好。

產品模型是平臺用歸類產品的渠道。平臺在上傳新產品時會根據上傳者、產品內容、產品風格等因素，給新產品貼上多種簡短、易識別的標簽。同時，產品標簽會隨著產品使用者的行為（轉發、評論、刪除等）進行更新，修正產品標簽的錯誤，覆蓋產品的潛在受眾，從而構建能全面反映產品特征的產品模型。

推薦算法是推薦系統的關鍵環節，為用戶模型和產品模型提供“橋梁”作用。推薦算法的實質是匹配，當匹配度達到一定程度時，推薦算法就認定目標用戶感興趣，從而將產品推薦給目標用戶。

2 ?用戶黏性的定義、重要性與影響因素

用戶黏性（viscosity of users）是常常被網絡平臺提及的一個詞，雖然它還沒有一個統一的定義。關于用戶黏性的概念，中國臺灣的學者林娟娟認為用戶黏性是網站留住在線客戶和延長每次停留時間的能力[2]。清華大學教授彭蘭認為，“用戶黏性”一詞在傳統媒體時代是“忠實讀者”，在新媒體時代，“用戶黏性”這個詞有了平等的意識，甚至是俯下身服務的思維[3]。不論定義如何，“用戶黏性”一詞的內核都包含在新媒體時代下用戶對提供產品和服務方的使用慣性與偏好，主要表現為長久地使用某一平臺且使用頻率高、使用程度深。

在新媒體時代，同類型的產品和平臺不勝枚舉，如果一個平臺有良好的用戶黏性，就意味著它有可靠的用戶群，用戶代表著流量，而流量能帶來曝光率和變現率，從而讓平臺從知名度和美譽度上都得到提升，最終賺取收益，形成品牌。把握好用戶黏性能讓一個平臺脫穎而出，當然這也是一個日積月累，多因素共同作用的過程，那么究竟有哪些因素對用戶黏性的起塑造作用呢？

根據期望確認理論（ECT）可知，消費者對產品或服務的滿意度會成為下次再度購買或使用（Repurchase Intention）的參考。使用頻率高是用戶黏性的核心內涵，因此可以將用戶黏性的首要影響因素歸為用戶對產品或服務的滿意度。

為更好地理解不同策略對用戶黏性的影響程度，本文引入卡諾模型（Kano model）劃分用戶黏性的影響因素。卡諾模型是由日本教授狩野紀昭（Noriaki Kano）于1984年提出的，是根據用戶對產品或服務質量的感知度，把產品性能劃分為五個層次，分別為基本質量（Basic Quality）、期望質量（Performance Quality）、魅力質量（Attractive Quality）、無差異質量（Indifferent Quality）、逆向質量（Reverse Quality）。前三種能提升用戶黏性，而后兩種是無差別或不滿意的因素，不能提升用戶黏性。

3 ?網易云音樂的大數據與智能算法運用

算法作為數據與人工智能的節點，發揮著構造流量入口、捕捉用戶黏性的關鍵作用[4]。本文聚焦于網易云音樂如何有效利用大數據和智能算法，實現其在音樂產品上基本質量、期望質量和魅力質量的提升，從而塑造用戶黏性。

3.1 ?基本質量：精準的算法推薦——“每日推薦”歌單

基本質量是產品或服務的硬性條件，也是用戶的剛性需求，如果平臺沒有提供這方面的服務，用戶會有大概率放棄使用此產品。一款電子音樂平臺的基本質量來源于音樂產品本身，包含音樂資源、音樂質量、音樂效果、音樂推薦等因素。網易云音樂的音樂推薦功能是其主打的硬性服務，也是形成用戶黏性的基本質量。

推薦系統的算法主要有以下幾類：基于流行度的算法、協同過濾的算法、基于內容的算法、混合算法等[5]。

基于流行度的推薦，即以內容的點擊率、轉發量、評論數等為依據，自動推送關注度高的內容。在網易云音樂中表現為“熱歌榜”“新歌榜”“原創榜”等帶有統計性質的排行榜歌單，推薦這些歌單是因為平臺假定目標用戶喜愛大部分人都喜愛的歌曲，固然有統計學上的可行依據，但也有不足。

基于協同過濾推薦（collaboration filtering），主要通過計算用戶之間的興趣相似度，將相似度高的用戶匹配起來，形成具有相似興趣的用戶集群，并向目標用戶推薦集群中用戶所喜愛的內容。網易云音樂中的“音樂密友”就會根據收藏單曲和日推歌曲的相同概率，為用戶匹配“音樂口味相似度”較高的其他用戶進行關注;還有一首單曲的“相似推薦”中，就會推薦“喜歡這首歌的人也聽”的歌單。

基于內容的推薦（content-based filtering），指基于音樂內容本身的特點，比如音樂節奏、曲調風格、人聲特點等。平臺記錄跟蹤用戶的聽歌行為，分析出用戶對某些音頻特征的興趣愛好圖譜，建立用戶模型和用戶標簽，并將具有相似標簽的用戶和音樂產品匹配起來，從而將匹配度最高的音樂產品推薦給用戶。比如網易云音樂的“歌單”中，就有“民謠”“電子”等不同風格的劃分。

但是，推薦平臺在實踐中往往采取混合推薦算法，即賦予多種算法不同的權重，加權計算后向用戶推薦歌單，如網易云音樂的“每日推薦”“私人FM”皆是采用復雜的混合推薦算法。

3.2 ?期望質量：冷啟動問題的處理

期望質量沒有基本質量苛刻，并不是必需的產品屬性或服務行為，即沒有期望質量并不會使用戶大概率放棄此產品或服務。但是，期望質量也在用戶渴求范圍，如果產品提升了期望質量，能讓用戶滿意度成比例關系地增加。

在算法推薦過程中，冷啟動問題是一大難題。如何在沒有大量用戶數據的前提下，設計出個性化的推薦系統，并且使得推薦的結果精準化，這就是冷啟動問題[6]。

許多音樂推薦算法在解決冷啟動問題時，大多基于流行度等數值策略，這種策略是出于考慮目標用戶可能喜歡絕大多數用戶都喜歡的項目，但是該思路只能是從統計學的角度說明預測準確的概率高于不準確的概率[7]。網易云音樂被稱為“小眾音樂愛好者的天堂”，用戶的個性化需求正是其致力滿足的。很多文獻給出了針對冷啟動問題類型的解決策略，主要分為混合推薦、融合其他數據源、動態情景敏感策略等方式[8]。

網易云音樂使用了融合其他數據源的策略，主要通過引入用戶社會關系信息，幫助建立新用戶特征模型，在一定程度上緩解新用戶的冷啟動問題[8]。在網易云音樂登陸界面下方的“其他登錄方式”，如微信、QQ、微博等，這些社交軟件包含著用戶的社會關系信息。用戶如果用第三方軟件登錄，網易云音樂就能夠在推薦算法中引入用戶在這些社交軟件中的人口統計學信息以及社會網絡信息（包括性別、年齡、社交軟件中的好友等），社交網絡內容有巨大的預測能力，比如用戶在微博上關注新上映的電影，當用戶使用微博登錄網易云音樂時，就為用戶推薦該電影主題曲。同時，在網易云音樂界面點擊“我的好友”時，會彈出“獲取通訊錄聯系人列表”的對話框，這樣就向用戶推薦現實生活中的朋友所聽的音樂，這些社會關系信息在冷啟動用戶推薦方面發揮著顯著作用。

3.3 ?魅力質量：“年度聽歌報告”與用戶的自我

認知

平臺收集的用戶數據所生成的用戶畫像不僅能進行精準的算法推薦，也能以回饋用戶的方式，加強用戶的自我認知，獲得自我肯定中的愉悅感。對網易云音樂而言，其“年度聽歌報告”正是一種用大數據回饋用戶的方式，這種方式就是平臺的魅力質量：在網易云音樂提供之前，用戶從未期盼過會得到這種服務，因為這并非一個音樂平臺必須提供的，所以提供之后就會讓用戶感到驚喜，從而極大地提升滿意度，塑造平臺的用戶黏性。

網易云音樂的年度聽歌報告是怎樣形成的？筆者發現，報告涉及聽歌次數、總時長、時間段、歌曲內容、風格等多項數據，還會總結出用戶最愛聽的歌曲和歌手，以及分別的聽歌次數。網易云音樂搜集了全面的用戶使用數據，給每個用戶組成了大數據庫，才形成了完整的聽歌報告。

在2018年度聽歌報告出來后，微博上話題#網易云音樂年度總結#的閱讀量達3.5億，討論達15.9萬，微信朋友圈上也形成刷屏效應，網友紛紛“曬”出自己的年度聽歌報告。誠然，網易云音樂每年初的年度聽歌報告已經成了用戶的集體狂歡和儀式活動，許多用戶樂于獲取年度報告，也樂于分享到社交平臺上。

用戶對年度聽歌報告的獲取和分享行為是自我認知需求的體現，自我認知是對自己的認識和理解。社會認同理論認為個人的自我認知源自對群體的認知[9]。在年度聽歌報告的分享互動儀式中，這些深度用戶的自我認知與群體認知達成一致，形成了群體歸屬感，也提升了社交愉悅感，從而大大增強了用戶黏性。

4 ?網易云音樂待改進功能的路徑建議

根據以上研究，網易云音樂大數據和智能算法運用上有眾多優異之處，但也發現了一些待改進的功能。因此，為了提升用戶黏性，本文在大數據與智能算法方面提出以下建議。

4.1 ?發展評論區的推薦功能

網易云音樂的評論區是其特色功能，然而網易云音樂忽略了用戶評論的算法推薦功能，致使網易云音樂的評論區風格比較單一，甚至不同類型歌曲的評論都很相似，而風格千篇一律的精選評論也會使得網易云音樂的受眾范圍窄化。因此，本文建議網易云音樂發展評論推薦功能，依據用戶的性格、興趣，緊抓用戶的需求點，打造評論區的個性化