融合情境的社會化商務用戶服務推薦優化研究

陳志剛 任芬

摘要：個性化推薦是社會化商務發展的產物，向顧客提供信息服務和決策支持。文章融合地理位置、時間因子和社會化商務用戶信任等情境信息，構建了在社會化商務下用戶個性化服務推薦的模型，實證分析融合情境對提高用戶服務推薦的正向作用。其結果可為社會化商務企業節約成本，為用戶提供更精準的個性化服務。

關鍵詞：情境聚類;社會化商務;用戶服務;個性化推薦

一、引言

作為互聯網發展中的一種商務模式創新的應用，社會化商務融合了社交媒體和電子商務的優勢，較大程度改變了信息、人、資產之間流動的方式。David Kiron等認為，社會化商務是一種商貿活動，利用社交媒體促進人員、信息和資產的高效互利。與其他商務活動相比，社會化商務打破了時間、空間及人際關系等限制因素，具有更高的交互性和更強的面向用戶性。目前，社會化商務的廣泛應用使更多的用戶進入移動社交活動，根據 CNNIC 公布的第 42 次《中國互聯網絡發展狀況統計報告》顯示，截至2018年6月，中國網絡用戶規模達 8.02 億。

在數字時代下，社會化網絡為人們提供了更多的交流方式，不僅拉近了人與人之間的距離，也使得交流內容變得更加多樣化。人們在社會化網絡中交互彼此的信息，使得樣式繁多的信息非結構化的分布在網絡中。社會化商務用戶在享有技術和社交活動便利的同時，被大量信息包圍，許多用戶難以切確、快速地獲取滿足自身需求的服務。隨著爆炸式增長的互聯網服務遠遠超出人們所能接納的范疇，社會化商務環境下的用戶面臨著愈來愈嚴重的 “信息過載”問題，這不僅影響了用戶體驗，還會降低網絡資源的利用效率。因此，如何針對社會化商務實現優化服務推送、加強用戶體驗，從本質上解決 “信息過載”問題，是目前急需處理的一大難題。

針對用戶在海量信息下的選擇困難等問題，“推薦系統”也應運而生。目前，常見的有基于關聯規則的推薦、基于內容的推薦、基于協同過濾的推薦、混合推薦等。個性化推薦技術既為用戶提供了個性化的信息篩選，又為信息尋得最合適的用戶。然而在以往的個性化研究中，往往忽視了情境環境對于用戶行為獲取的作用。隨著人工智能和區塊鏈的發展，如今的推薦系統更是進入新的量級。在“非智能”時代，推薦主要依靠一些從直覺引導出的簡單模型或算法，而情境信息的深度挖掘，使得一些已知問題上的推薦效率得到提高。如今，依靠情境分析的今日頭條、天天快報、趣頭條等個性化閱讀產品迅速超越依靠編輯審核的門戶新聞APP，基于情境環境的如地理位置、時間和設備等應用的發散性蔓延使得情境因素尤為重要。社會化商務環境為我們創造了許多有價值的信息。但是，如何將這些數據信息轉化成貼近生活的情境信息，優化用戶個性化服務，從而提高用戶體驗是本文研究的目的。

二、研究現狀

情境是可以被用來表示某個實物的任何信息，實物可以是被認為與用戶和應用程序交互的人、點，或對象，包括用戶和應用程序本身。Zou J A將情境分為與人有關的情境和與物理設備有關的情境，基礎情境與高層情境。智能移動終端設備可以提供大量的外部情境信息，如時間、地理位置、天氣等。而用戶自身的信息，如年齡、性別、教育程度等則構成了內部情境信息。情境信息中的地理位置發散式應用在各個領域中，如基于地理位置信息的酒店預訂。目前研究者們希望能以用戶的情境信息為紐帶整合相關應用服務，基于社會化商務環境為用戶提供可定制的個性化優化推薦，促成按需服務的一站式情境生活方案。因此，從情境環境中發掘出可利用的信息，為智能化人機交互提供支撐，是當前研究的熱點。

情境聚類，就是在社交環境中將各類服務基于情境信息進行融合和聚集。基于情境信息的聚合不僅是眾多用戶推薦的集大成者，更是實現了將用戶的現實生活與虛擬社交網絡相連接，通過用戶所處的情境，聯合用戶目前的實際情況智能的將各種服務精準的推送給用戶。本文將社會化商務用戶的情境數據采集并依據相似度進行情境聚類，構建層次化的用戶情境特征集，以確保每位用戶都能匹配到一個相符合的情景類或情景類組合。同時，在不同情境之間構建系統性維系，以保證不同情境類用戶間的關聯和交互。

在現實生活中，情境聚類可以更好的服務于個性化推薦。Adomavicius等人論述了融合情境信息的推薦模型，引入情境匹配，并開發電影推薦的原型實驗系統。得益于情境聚類的個性化推薦算法，短視頻近幾年來也發展迅猛，如快手與今日頭條旗下西瓜視頻、抖音APP等迅速獲得用戶喜愛。個性化推薦是基于用戶的行為、喜好及特征等，來滿足用戶個性化需求的一種服務。與其他的方式相比，情境聚類的核心是基于社會化商務環境圍繞著“用戶”即用戶的信任、位置、時間等信息，而行為信息更能夠反映出真實的用戶情形與需求，位置信息來源于用戶在實體世界中的運動，具有更強的時效性與可信度，時間變化為我們更了解用戶的需求提供充分條件，因此，情境聚類在社會化商務個性化服務運用中具有非常廣闊的前景。

三、用戶個性化推薦模型及方法

（一）社會化商務用戶特征及用戶行為模型

Z Huang等提出粗糙庫的方法進行推薦，但忽略了時間產生的影響，導致算法的時效性不強。Shin D等比較當前情境與歷史情境，并根據歷史的偏好記錄預測目前用戶的喜好，但忽略了時間遺忘的特性，忽略了用戶隨著時間的推進興趣變化的因素，從而促使推薦結果不準確。本文將情境信息分為基于地理位置、基于時間以及基于信任的三大類，將收集到的大量社會化商務用戶的行為數據基于情境信息進行聚類，從這些數據中提取出用戶的特征。本文采用向量對原始維度進行處理，原始用戶特征如表1所示。

通過將多維用戶特征采取降維處理，利用聚合的情境信息和用戶商品自身的描述，設計基于情境聚類的社會化商務用戶行為模型。最終獲得基于情境聚類的社會化商務用戶的特征集合：

User=U{C，U，H}

其中，情境C={D，TF，DT}， D為用戶的地理位置信息， TF、DT分別表示用戶的時間和信任度信息，C是將特征D、特征TF及特征DT等情境信息集合，生成的聚類結果。U表示社會化商務用戶的個人相關信息，特征H則是在用戶特征集合中各個情境特征的權重值，表示情境特征在用戶特征中所占比重。

為了全面、準確的構建用戶行為模型，更加高效的利用處理之后的用戶數據，本文設計如圖1所示的社會化商務用戶的行為模型。

（二）情境聚類中的“地理社交”、“時間社交”和“信任社交”

1. 地理社交

地理社交產生的地理數據具有兩種屬性，一種是用戶在社會化商務網絡中的與好友的交互信息特點，如好友姓名、列表等;另外一種是地理屬性，即位置坐標以及餐廳、游戲廳等。地理距離的相似度通過社會化用戶在設備上使用的定位所確定的位置來計算，本文引用張繼東提出的基于地理位置的方法，公式如下：

四、實驗結果分析

為了驗證本方法的可行性，以武漢學生為例設計了一個基于情境聚類用戶個性化的推薦服務。文章選取武漢頗為有名的40個景點，通過多種方法獲取262位學生關于景點的3163條打分信息，并將此部分作為系統訓練的評分矩陣。下一步重新選取60為學生作為實驗測試用戶，結合自身情況填寫相關信息，并且根據自身的體驗，對相應景點進行打分，利用三章中（三）提出的個性化服務推薦方法得出推薦結果。

隨機選取測試集中的用戶“王一”進行推薦，用戶“王一”的相關信息如表2所示。

為了對比情境聚類的實驗效果，分別進行兩次實驗：僅考慮用戶基本信息進行推薦和考慮基于用戶情境聚類進行推薦，推薦結果如表3所示。

根據表3可知，當只考慮用戶的基本信息時，根據用戶的標志“一顆靦腆的芒果”，女，年齡20，電子商務大二愛好小動物的學生，自動生成“活力滿滿的小女生”標簽，并發現與其相似的用戶，然后根據類似用戶進行推薦：武漢海洋世界、黃鶴樓、楚河漢街、東湖磨山、武漢歡樂谷、漢口江灘、張公山寨、歸元寺、漢口江灘、木蘭草原景點。如果只考慮用戶“王一”的基本情況，這些景點是比較符合的，但是沒有結合情境信息，可能會與實際情況相差較遠。用戶的偏好是比較價格便宜的傾向，而楚河漢街屬于高消費地區，與用戶的實際消費不符合;另外，用戶和他的社交好友喜歡拍照、美食，武漢小吃最多的司門口卻并沒有推薦;接著，時間考慮不周，木蘭草原距離武昌火車站距離較遠，過去較為耗時，中午12點過去，游玩時間可能不夠，對于用戶“王一”而言，在沒有偏好景點的選擇下，會優先選擇距離較近的景點游玩。因此，只考慮用戶的基本信息進行推薦與用戶的真正需求差距較大。

在考慮用戶的情境信息時，測試推薦結果為：武漢動物園、武漢植物園、司門口、東湖磨山、黃鶴樓、武漢大學、漢口江灘、湖北省博物館、武漢歡樂谷、古琴臺。這次推薦相較于前一次有了變化。主要原因是，結合情境信息（時間、距離、信任）影響了推薦的結果。考慮到“時間”和“地理”信息，推薦距離用戶較近且不需要門票或門票較低的景點（如武漢動物園、古琴臺、黃鶴樓、漢口江灘等），這一推薦也符合“價格優惠”標簽;同時推薦結果還充分考慮到“時間”和“社交”等情境信息，此時春天5月，用戶與社交好友都愛好拍照喜美食，從而推薦景色比較絢麗的景點（如司門口、武漢植物園、東湖磨山、武漢大學等），這一推薦也符合“活力滿滿小女生”“愛好拍照”等標簽;另外，推薦結果中的湖北省博物館和武漢歡樂谷雖然距離武昌火車站較遠，但充分考慮到湖北省博物館屬于免費的景點且武漢歡樂谷是朋友強力推薦的景點等因素，在理論上具有可行性，也在用戶可供選擇的范圍之中，同時，在某種程度下驗證了基于情境聚類的推薦方法的合理性。

五、結論

本文在借鑒已有研究人員工作基礎上提出了基于情境聚類的社會化商務用戶服務推薦方法。描述在社會化商務環境下，通過將社會化商務用戶的地理、時間信息以及相互間的信任關系等情境信息進行聚合，從而為社會化商務用戶提供精確的個性化服務推薦，最后以武漢學生為例，進行驗證。通過兩次對比實驗（僅考慮用戶基本信息和基于用戶情境信息），結果表明基于情境聚類的用戶推薦結果更具準確性。

個性化服務的出現是時代發展的產物，給人們的生活提供了很大的便利。目前，基于情境聚類的社會商務用戶個性化服務推送在社會化網絡中的應用領域正逐步擴大，例如火山小視頻、抖音等。在信息繁多的時代，毫無疑問個性化服務給用戶帶來了方便，在一定程度上解決了用戶在面對信息時困惑的問題。大數據時代下基于地理位置的技術將社會化商務用戶從虛擬的網絡環境延伸到現實生活中;考慮到社交用戶興趣的變化，提出將用戶興趣變化趨勢與時間遺忘曲線和時間窗口結合的基于時間社交的方法;信任是社會化商務中特有的屬性，將信任融入到推薦中，增強了用戶個性化服務的可靠性。在增添了社交維度的同時也為用戶提供了貼切生活的個性化服務。然而，目前仍存在幾個問題：定位不精確，由于網絡狀態的關系，用戶的定位有時不夠精準，導致推送的服務不夠貼切;用戶由于種種原因，將設備的定位關閉，從而導致無法獲取地理社交數據;用戶隱私，在信息迅捷的互聯網時代，相關的法律不夠完善，存在用戶隱私泄露問題;此外，隨著數據的增大，時間復雜度增高等問題進一步出現。因此，在以后的工作中，個性化服務推送還有很大的改善空間。

參考文獻：

[1]David Kiron， Doug Palmer， Anh Nguyen Phillips， Nina Kruschwitz. What managers r-eally think about social business[J]. MIT Sloan Management Review，2012（04）.

[2]中國互聯網絡信息中心（CNNIC）.第42次中國互聯網絡發展狀況統計報[R].2018.

[3]孟祥武，紀威宇，張玉潔.大數據環境下的推薦系統[J].北京郵電大學學報，2015（02）.

[4]陳克寒，韓盼盼，吳健.基于用戶聚類的異構社交網絡推薦算法[J].計算機學報，2013（02）.

[5]朱東郡.基于標簽聚類和興趣劃分的個性化推薦算法研究[D].安徽理工大學，2017.

[6]許海玲，吳瀟，李曉東，等.互聯網推薦系統比較研究[J].軟件學報，2009（02）.

[7]Ogura H， Amano H， Kondo M. Comparison of metrics for feature selection in imbal-anced text classification[J].Expert Systems with Applications，2011（05）.

[8]Zou J A. Exploration of semantic Web service discovery based on QoS[J]. Journal of Computer Applications，2009（10）.

[9]Adomavicius G， Sankaranarayanan R， Sen S， et al. Incorporating contextual informati-on in recommender systems using a multidimensional approach[J].Acm Transactions on Information Systems，2005（01）.

[10]Huang Z， Lu X， Duan H. Context-aware recommendation using rough set model and collaborative filtering[J].Artificial Intelligence Review，2011（01）.

[11]Shin D， Lee J， Yeon J， et al. Context-Aware Recommendation by Aggregating User Context[C].I-EEE Conference on Commerce and Enterprise Computing. IEEE Comp-uter Society，2009.

[12]張繼東，李鵬程.基于移動融合的社交網絡用戶個性化信息服務研究[J].情報理論與實踐，2017（09）.

[13]Rafailidis D，Daras P. The TFC Model：Tensor Factorization and Tag Clustering for Ite-m Recommendation in Social Tagging Systems[J].IEEE Transactions on Systems Man& Cybernetics Systems，2013（03）.

*基金項目：湖北省教育廳人文社會科學重點項目（項目編號：18D037）。

（作者單位：湖北工業大學經濟與管理學院）